支持向量机驱动的恶意软件行为特征分析与识别

摘要

随着移动设备的广泛应用，恶意软件威胁日趋严峻。针对现有恶意软件检测方法在处理数据不平衡问题时的局限性，本研究提出了以下创新方法：首先，基于静态行为分析提取Android应用的多维特征，构建全面表征恶意软件行为的特征向量；其次，针对样本类别不平衡问题，引入特征选择与加权支持向量机（SVM）相结合的优化分类方法，通过动态调整类别惩罚权重，有效提升对少数类样本的识别能力；最后，在Drebin基准数据集上的实验验证结果表明，本方法在准确率、精确率、召回率及F₁值多项指标上优于标准SVM模型，验证了其在真实场景下的实用价值。本研究不仅为移动恶意软件检测提供了新的技术思路，也为不平衡数据分类问题提供了可借鉴的解决方案。

关键词

恶意软件检测 / 加权支持向量机 / 静态行为分析 / 特征选择 / 数据不平衡 / 加权优化