结合特征降维的安卓恶意软件检测模型

摘要

安卓生态系统的开放性和灵活性导致恶意软件激增，对用户信息与财产安全构成严重威胁.为了提高安卓恶意软件的检测效果，该文提出基于机器学习的安卓恶意软件检测模型.首先，通过对安卓恶意软件数值特征进行预处理，优化机器学习检测模型的初始输入特征；然后，构建BP神经网络、SVR和XGBoost 3种安卓恶意软件检测模型进行对比，提出最优检测模型；最后，在最优检测模型的基础上，结合AE、PCA和GBDT 3种特征降维技术进行对比，提出结合特征降维的最优安卓恶意软件检测模型.实验结果表明：XGBoost检测模型的评价指标ε_MAE、ε_RMSE、R²值分别为0.147 5、0.116 4、0.471 8,效果最好.结合特征降维算法，AE-XGBoost检测模型的评价指标ε_MAE、ε_RMSE和R²值分别为0.112 7、0.089 0、0.691 8,效果最好.这表明基于机器学习的安卓恶意软件检测模型是一种有效的检测方法，该模型可以为信息安全提供重要技术支持.

关键词

机器学习 / 安卓恶意软件检测 / 特征降维 / XGBoost / 自动编码器