為進(jìn)行Android惡意應(yīng)用檢測(cè),提取了Android應(yīng)用程序的API調(diào)用信息、申請(qǐng)權(quán)限信息、Source-Sink信息為特征,這些信息數(shù)量龐大,特征維數(shù)高達(dá)三四萬(wàn)維。為消除冗余特征和減少分類器構(gòu)建時(shí)間,提出了使用L1與離散二進(jìn)制粒子群算法(BPSO)進(jìn)行混合式特征選擇;同時(shí)針對(duì)BPSO易早熟收斂的缺點(diǎn),提出了一種改進(jìn)的二進(jìn)制粒子群算法SVBPSO。通過(guò)研究不同映射函數(shù)對(duì)二進(jìn)制粒子群算法的影響發(fā)現(xiàn),使用S型映射函數(shù)的BPSO全局搜索能力強(qiáng),使用V型映射函數(shù)的BPSO局部搜索能力強(qiáng),故該算法使用S型映射函數(shù)進(jìn)行全局搜索,每隔一定迭代次數(shù)使用V型映射函數(shù)進(jìn)行局部探索。實(shí)驗(yàn)結(jié)果證明,SVBPSO具有良好的收斂效果,使用SVBPSO進(jìn)行特征選擇后能提高Android惡意應(yīng)用檢測(cè)正確率。

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1引言
2離散二進(jìn)制粒子群算法及其改進(jìn)
    2.1離散二進(jìn)制粒子群算法
    2.2離散二進(jìn)制粒子群算法的改進(jìn)
3基于SVBPSO算法的Android混淆惡意應(yīng)用檢測(cè)
    3.1特征提取
    3.2特征向量化
    3.3特征選擇與分類器訓(xùn)練
4實(shí)驗(yàn)與結(jié)果分析
    4.1樣本選擇
    4.2評(píng)價(jià)指標(biāo)
    4.3參數(shù)選擇
        4.3.1分類器的確定
        4.3.2局部搜索間隔的確定
        4.3.3 L1選擇的數(shù)量
        4.3.4 SV組合的確定
    4.4算法比較
5結(jié)束語(yǔ)



本文編號(hào)：3863543