"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。