典型文献
基于可解释性的Android恶意软件检测
文献摘要：
针对Android恶意软件检测,通常仅有检测结果缺乏对其检测结果的可解释性.基于此,从可解释性的角度分析Android恶意软件检测,综合利用多层感知机和注意力机制提出一种可解释性的Android恶意软件检测方法(multilayer perceptron attention-method,MLP_At).通过提取Android恶意软件的应用权限和应用程序接口(application programming interface,API)特征来进行数据预处理生成特征信息,采用多层感知机对特征学习.最后,利用BP算法对学习到的数据进行分类识别.在多层感知机中引入注意力机制,以捕获敏感特征,根据敏感特征生成描述来解释应用的核心恶意行为.实验结果表明所提方法能有效检测恶意软件,与SVM、RF、XGBoost相比准确率分别提高了 3.65％、3.70％和2.93％,并能准确地揭示软件的恶意行为.此外,该方法还可以解释样本被错误分类的原因.
文献关键词：
Android;恶意软件检测;多层感知机;可解释性;注意力机制;BP算法
中图分类号：
作者姓名：
黄海彬;万良;褚堃
作者机构：
贵州大学计算机科学与技术学院,贵阳550025;贵州大学计算机软件与理论研究所,贵阳550025
文献出处：
引用格式：
[1]黄海彬;万良;褚堃-.基于可解释性的Android恶意软件检测)[J].计算机系统应用,2022(12):29-40
A类：
B类：
可解释性,Android,恶意软件检测,多层感知机,注意力机制,软件检测方法,multilayer,perceptron,attention,method,MLP,At,用权,权限,应用程序接口,application,programming,interface,API,数据预处理,特征信息,特征学习,分类识别,敏感特征,特征生成,心恶,有效检测,RF,XGBoost,误分类
AB值：
0.293149
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
