Android恶意应用检测中特征选择算法的研究1

【Android恶意应用检测中特征选择算法的研究】 随着移动互联网的快速发展，Android应用程序的数量呈现出爆发式增长。Android作为一款开源操作系统，被广泛应用于各类智能手机中，然而这也为恶意应用的滋生提供了温床。大部分移动端的恶意软件都存在于Android平台上，因此，针对Android应用市场的恶意应用检测技术的研究变得至关重要。 在恶意应用检测技术中，基于机器学习的方法因其自动化和高效性而备受关注。然而，机器学习模型的构建关键在于特征的提取和选择。现有的研究往往直接使用提取的特征或人工挑选部分特征，缺乏有效的特征选择过程，这可能导致模型训练时间长，准确性和召回率低。 本文针对这一问题，首先设计了一个名为TAppExtractor的自动化工具，用于提取Android应用的特征集合。接着，通过两种常见的特征选择算法对这些特征进行了分析，揭示了特征中存在的“分布偏移”和“长尾效应”。这两种现象可能影响模型的性能和泛化能力。 为了改进特征选择策略，文章提出了一种新颖的算法——FrequenSel。与传统方法不同，FrequenSel基于特征在恶意应用和正常应用间出现频率的差异来进行选择。这种方法能确保用于训练的特征能够在恶意和正常应用数据集上构建出准确率接近且召回率高的分类器。实验证明，在检测7972个应用时，FrequenSel达到了接近98%的准确率和召回率，每个应用的分析时间仅需约6.5秒。 考虑到大数据环境下的应用，本文进一步提出了基于深度学习的特征选择算法DBNSel。该算法实际上是一种特征学习方法，利用深度信念网络（DBN）对输入特征进行转换，生成低维度的输出特征。这种“质变”方式可以显著减少特征维度，从而在保持高性能的同时，加速分类过程。实验结果显示，DBNSel在相同数据集上的最优准确率达到了98.3%，开放测试中准确率和召回率均达到99.4%。 FrequenSel和DBNSel两种特征选择算法对于Android应用市场的批量恶意应用检测场景具有很高的适用性。它们不仅提高了检测效率，还提升了模型的性能，为Android安全防护提供了有力的技术支持。关键词：Android恶意应用；机器学习；深度学习；特征选择算法。