基于循环神经网络的Android恶意软件检测的研究.pdf

摘 要 随着智能手机设备的广泛使用，手机存储的个人核心的隐私信息越来越多，设备和 信息带来利益也越来越高，对移动设备的攻击越来越明显。面对日益新增的Android 恶 意软件，为手机用户减少恶意软件造成的威胁和更好地保护用户的利益，针对Android 的恶意软件检测研究受到了高度重视。随着机器学习技术不断趋于成熟，在处理分类问 题中表现较好。但不断新增的恶意软件类型大大增加了机器学习检测的难度。而与传统 的机器学习相比，深度学习使用表面特征来学习抽象的深层特征。循环神经网络将隐藏 层之间的单元连接，在处理数据的时序和语义信息方面的能力更为显著。深度循环神经 网络是在循环神经网络的基础上增加网络层数使得网络具有更好地表达能力。长短时记 忆网络结构在克服了标准循环神经网络在处理长期赖的上下文信息匮乏的问题，被明确 地用来设计长期依赖问题。针对现有的基于机器学习的检测方法精度较低的问题，本文 通过分析良性和恶意软件的特性，将OmniDroid 数据集特征进行数据预处理，从而得到 高效准确的Android 恶意软件检测的方法。本文的主要研究内容如下： 1 Android （）本文将 软件作为特征信息。通过对良性和恶意软件进行分析后，大 部分特征不能够有效地区分良性和恶意软件，对数据集中的所有特征进行特征提取，会 造成大量的冗余数据，增加分类模型的时间，降低模型检测的准确率。所以对本文使用 的数据集进行特征选择，通过减少特征维度来提高检测的准确率。 2 Android 5 （）本文提出了基于深度循环神经网络的 恶意软件检测模型。将 种特 征分别使用信息增益算法进行特征选择，将信息增益值较大的特征保存到一个特征集合 中，构建深度循环神经网络分类模型。通过实验证明与其他机器学习分类算法相比，基 于深度循环神经网络的检测方法表现出了更好的准确率。 3 Bi-LSTM Android 5 （）本文提出了基于 的 恶意软件检测模型。将数据集中的 种 特征采用遗传算法进行特征选择，将选择好的特征组合形成新的特征集合，构建双向长 短时记忆网络分类模型。实验结果表明，在基于Bi-LSTM 的Android 恶意软件检测效果 高于深度循环神经网络模型。 关键词：Android 恶意软件 恶意软件检测 深度学习 循环神经网络 III 目 录 摘 要III AbstractIV 第1章 绪论1 1.1 研究背景及意义1 1.2 国内外研究现状2 1.3 本文主要研究内容5 1.4 本文组织结构6 第2章 相关理论7 2.1 Android相关知识概述7 2.1.1 Android系统架构及安全机制7 2.1.2 Android恶意软件及其检测技术8 2.2 经典机器学习算法介绍11 2.2.1 KNN算法12 2.2.2 SVM算法12 2.2.3 RF算法13 2.2.4 K-means聚类算法14 2.3 循环神经网络15 2.4 数据集描述17 2.5 本章小结19 第3章 基于DRNN 的Android恶意软件检测模型20 3.1 DRNN模型20 3.2 基于DRNN 的恶意软件检测模型22 3.3 预处理阶段23 3.4 实验结果分析27 3.4.1 评价指标27 3.4.2 实验结果与分析28 VI 3.5 本章小结31 第4章 基于Bi-LSTM 的Android恶意软件检测模型32 4.1 Bi-LSTM模型32 4.2 基于Bi-LS