針對移動惡意軟件數(shù)量和種類的急劇增加給移動用戶的信息安全帶來的巨大挑戰(zhàn),提出了一種基于值導(dǎo)數(shù)GRU的移動惡意軟件流量檢測方法,旨在解決基于RNN的移動惡意軟件流量檢測方法難以捕獲網(wǎng)絡(luò)異常流量的動態(tài)變化和關(guān)鍵信息的問題。值導(dǎo)數(shù)GRU算法通過引入"累計(jì)狀態(tài)變化"的概念,可以同時(shí)描述移動網(wǎng)絡(luò)惡意流量的低階和高階動態(tài)變化信息。此外,通過增設(shè)池化層使算法可以捕獲移動惡意流量的關(guān)鍵信息。最后,通過仿真實(shí)驗(yàn)分析累計(jì)狀態(tài)變化、隱藏層和池化層對于值導(dǎo)數(shù)GRU算法性能的影響。實(shí)驗(yàn)表明,基于值導(dǎo)數(shù)GRU的移動惡意軟件流量檢測方法擁有較高的檢測準(zhǔn)確率。 

【文章來源】：通信學(xué)報(bào). 2020,41(01)北大核心EICSCD

【文章頁數(shù)】：12 頁

【參考文獻(xiàn)】：
期刊論文
[1]面向高校多源異構(gòu)數(shù)據(jù)環(huán)境的元數(shù)據(jù)集成方法[J]. 馮勇,張麗穎,顧兆旭,馬技.  遼寧大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue.  Tsinghua Science and Technology. 2016(01)



本文編號：3114752