Android恶意应用检测：Dalvik指令特征与机器学习结合的研究

"基于Dalvik指令特征的Android恶意应用检测方法研究" 这篇硕士学位论文是由杨益敏在陈铁明教授的指导下完成的，属于计算机科学与技术领域的研究，于2017年提交于浙江工业大学。该研究的核心是探索一种基于Dalvik指令特征的Android恶意应用检测方法，旨在应对Android恶意软件快速增长的问题。 Android恶意应用的检测是移动安全领域的重要课题，由于Android系统广泛使用Dalvik虚拟机执行应用代码，因此Dalvik指令成为分析和识别恶意行为的关键。论文首先对Dalvik字节码进行抽象和符号化处理，将其转化为N-Gram序列特征。N-Gram是一种常用的序列模式，通过分析指令序列的相邻关系来捕获代码结构和行为特征。 接着，论文采用AP（Average-Linkage）聚类算法对这些N-Gram特征进行压缩，这有助于减少特征维度，降低计算复杂度。然后，通过信息增益（Information Gain）方法进行特征选择，选取对分类最有影响力的特征，进一步优化模型的性能。信息增益是决策树算法中常用的特征选择指标，能衡量特征与目标变量之间的关联程度。 在特征处理完成后，论文结合多种分类算法，如朴素贝叶斯（Naive Bayes）、支持向量机（SVM）、随机森林（Random Forest）等，构建检测模型。这些算法各有优势，例如朴素贝叶斯适合处理大量特征的数据，SVM在处理非线性问题时表现出色，而随机森林则能提供高精度且抗过拟合。通过比较不同算法的表现，可以确定最有效的恶意应用检测策略。 此外，论文还可能涉及模型的训练、验证以及性能评估，包括准确率、召回率、F1分数等指标。作者可能会探讨如何平衡误报（False Positive）和漏报（False Negative）率，以提高检测的精确性和实用性。最后，论文可能讨论了该方法相对于现有检测技术的优缺点，并提出了未来的研究方向，比如动态分析的结合、深度学习的应用以及如何应对新的恶意行为策略。 这篇论文深入研究了基于Dalvik指令特征的Android恶意应用检测技术，通过特征提取、聚类、筛选和多算法模型训练，为Android系统的安全防护提供了新的理论支持和实践方法。