典型文献
基于可视化特征的Android恶意软件分类模型
文献摘要：
Android恶意软件严重影响用户的使用体验,威胁用户的财产安全、个人隐私.如何快速且准确地实现Android设备上恶意软件的分类成为研究热点.本文分析Android恶意软件的静态特征,通过可视化方法获得恶意软件的特征图像,采用卷积神经网络(CNN)来学习恶意软件的泛化特征.针对卷积神经网络在特征学习中内存资源占用过大的问题,运用MobileNet-V1模型对卷积神经网络进行轻量化改造,实现Android设备上恶意软件的快速分类.通过实验,本文搭建的模型对Android设备上恶意软件分类准确率达到85.9％,分类速度达到21.95 ms/次.相较于传统方法,本文模型在保持较高分类准确率的情况下大幅提升分类速度,减少网络计算复杂度,可以实现对终端设备上恶意软件的快速且准确的分类.
文献关键词：
Android恶意软件;特征可视化;MobileNet-V1;卷积神经网络
中图分类号：
作者姓名：
桑振;李坤明;庄海燕
作者机构：
铁道警察学院,河南 郑州 450000
文献出处：
引用格式：
[1]桑振;李坤明;庄海燕-.基于可视化特征的Android恶意软件分类模型)[J].长春师范大学学报,2022(04):56-61
A类：
B类：
Android,恶意软件分类,分类模型,使用体验,财产安全,个人隐私,静态特征,可视化方法,特征图像,泛化特征,特征学习,资源占用,MobileNet,V1,快速分类,分类准确率,ms,计算复杂度,终端设备,特征可视化
AB值：
0.26874
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。
