基于代码图像深度学习的安卓恶意软件分类研究

摘要

随着移动互联网技术的快速发展，安卓智能设备日益普及，安卓平台上的恶意软件数量日益增加。目前，安卓恶意软件的安全性已成为人们倍加关注的问题。虽然每年都有大量新的安卓恶意软件出现，但其中大部分恶意软件都是在原有恶意软件的基础上变换而来的。因此安卓恶意软件的自动化分类已成为安卓恶意软件检测的一个重要研究方向。 属于同一家族的恶意软件往往具有代码同源性，因此本文关注基于代码特征和行为的恶意软件家族分类技术。本文首先分析在安卓平台和x86平台上的相关研究的局限性，进而提出一种将代码图像特征与深度学习模型相结合的安卓恶意软件家族分类方法。此方法将安卓软件的二进制代码转为灰度图像，基于GoogLeNet Inception-v3深度学习模型构建恶意软件家族分类器。本文详述了此方法的设计方案和具体实现过程。 本文进而对此方法的原型工具进行了实验评估，并与现有的安卓恶意软件家族分类方法进行对比。实验结果表明：与现有的分类方法相比，本文所提出的基于代码图像深度学习的安卓恶意软件家族分类方法具有分类的准确率高和误报率低、以及调试参数数量少的优点。

目录

声明

第一章 绪论

1.1 研究背景

1.2 研究现状

1.3 研究内容

1.4 论文组织

第二章 基础知识

2.1 安卓系统

2.2 恶意代码图像

2.3 基于深度学习的图像分类

2.4 随机森林算法

2.5 深度学习工具

2.6 本章小结

第三章 现有研究的局限性

3.1 安卓平台相关研究的局限性

3.2 x86平台相关研究的局限性

3.3 本文研究思路

3.4 本章小结

第四章 研究方案

4.1 分类器模型的选用

4.2 方案总体设计

4.3 方案具体实现

4.4 本章小结

第五章 实验研究

5.1 研究问题

5.2 数据集描述

5.3 实验设置

5.4 实验结果

5.5 本章小结

第六章 论文总结与展望

6.1 论文总结

6.2 未来展望

参考文献

致谢