基于多特征的Android惡意軟件檢測算法的比較分析.pdf

1、近幾年，智能手機與平板電腦的迅速普及，使得越來越多的黑客將攻擊目標從PC端轉(zhuǎn)移到移動設(shè)備端?；贏ndroid系統(tǒng)的智能設(shè)備市場占有率不斷擴大，其受到惡意攻擊的可能性急劇上升。因此，研究有效的Android惡意軟件檢測方法變得十分重要。
　　現(xiàn)有Android惡意軟件檢測方法大多采用基于簽名的檢測方式，這種檢測方式迅速但只能檢測已知的惡意軟件。基于機器學習的檢測方式能檢測出未知的惡意軟件，但會隨著特征集、特征選擇算法以及分類算法的

2、不同而產(chǎn)生不同的分類檢測結(jié)果。那么采用什么樣的特征集、特征選擇算法與分類算法能得到較精確的檢測結(jié)果？除了常用的機器學習算法以外還有哪些算法適用于Android惡意軟件檢測？如何將這些算法更好地組織成一個更高效的Android惡意軟件檢測系統(tǒng)？針對這些問題，本文深入研究了Android安全機制與安全漏洞，對國內(nèi)外研究現(xiàn)狀進行歸納總結(jié)，給出了一個更為準確高效的Android惡意軟件檢測原型系統(tǒng)，回答了上述問題。本文的主要貢獻如下:
　

3、　首先，本文研究了Android惡意軟件的特征提取與特征選擇。本文先采集了惡意軟件與良性軟件樣本，然后利用靜態(tài)檢測技術(shù)提取出Android安裝包(APK文件)的多種特征，最后本文采用信息增益算法和改進的GA算法(簡稱CSF-GA)進行特征選擇，并將篩選后的多特征集作為樣本特征。本文選取隨機森林等5種機器學習分類算法對Android應(yīng)用進行分類檢測實驗。實驗證明，本文提出的多特征與CSF-GA組合能獲得最優(yōu)特征子集。所獲得的最優(yōu)特征子集與

4、隨機森林算法組合，能得到96.3％的準確率。
　　其次，本文將獲取的最優(yōu)特征子集作為樣本特征，采用三種統(tǒng)計分析判別算法進行Android惡意軟件檢測。實驗結(jié)果表明:判別分析算法在Android惡意軟件檢測上的準確率可以達到93％以上。本文從檢測效果、運行時間、運行消耗內(nèi)存等三個角度對機器學習分類算法與統(tǒng)計分析中判別分析算法進行了比較分析。通過比較分析得到結(jié)論:在不考慮運行時間與運行消耗內(nèi)存情況下，結(jié)合最優(yōu)特征子集，隨機森林算法能得

5、到最高準確率。當同時考慮檢測效果、運行時間、運行消耗內(nèi)存等因素，F(xiàn)isher判別分析算法表現(xiàn)更優(yōu)。
　　最后，采用上述結(jié)論提出并實現(xiàn)了一個基于多特征的Android惡意軟件檢測原型系統(tǒng)。系統(tǒng)包含客戶端檢測程序與云端檢測程序，其中客戶端檢測程序運行在Android設(shè)備上。在客戶端采用了Fisher判別分析檢測算法;云端接收客戶端上傳的應(yīng)用程序，采用隨機森林算法進行分類檢測。本文給出了各個模塊的詳細的設(shè)計與實現(xiàn)，并最終將該原型系統(tǒng)與國