对抗环境下基于集成学习的细粒度恶意应用分类检测

摘要：

当前绝大多数对Android恶意应用的检测只是在粗粒度层面对恶意应用进行检测,不能准确地探知具体的恶意应用所属类别而且准确度不高,同时在对抗性环境下检测效果不佳.文章提出了一种基于集成学习的细粒度恶意应用分类检测方法,通过静态分析入手,然后对应用进行聚类;接着对聚类所得的每一个类训练其专属的集成分类器,以针对不同的软件类别采用不同的方法来更准确地甄别恶意软件.然后针对对抗性环境下的攻击原理,研究有助于提升系统整体鲁棒性的对抗性策略.实验表明,基于集成学习的细粒度恶意应用分类检测方法与对抗性策略跟传统算法相比,在各自的领域均有更好的效果.

关键词：Android恶意应用检测、Android恶意应用分类、集成学习、对抗学习、机器学习

所属期刊栏目：42

分类号：TP311.1(计算技术、计算机技术)

在线出版日期：2020-11-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：70-76