基于机器学习的Android恶意软件识别系统设计与实现

摘要

随着智能手机的不断普及，Android系统的市场占有率已经超过70%，各种基于Android系统的恶意软件也迎来了疯狂似的增长，发送订购短信、窃取用户隐私、甚至窃取用户账号密码等。传统的恶意软件检测有很高的效率，然而针对恶意软件的变种和未知软件检测却束手无策。并且每天都会新增上万的恶意应用，面对海量的Android恶意应用，传统检测技术的效率低下。针对这些局限性，研究了机器学习相关算法，设计出了一个Android恶意软件检测系统。由于不依赖特征库，本系统可以用于检测未知软件且计算量非常少，检测效率高效。真正花费的时间在特征值的提取和特征向量的生成。在用户安装软件前，检测软件安全性，在用户安装软件后，检测软件的行为，有异常行为及时通知用户。本系统能有效检测安卓恶意软件，防止用户隐私泄露，保护用户财产安全。 本文首先对国内外现状进行分析介绍，介绍了国内外对恶意应用检测方面的研究成果。全面介绍了Android系统中的安全机制，解释了机器学习开源框架TensorFlow计算原理。并介绍了朴素贝叶斯算法和线性回归算法原理。 其次本文对恶意软件检测系统的功能需求和性能需求进行了分析，并围绕应用检测、内存管理、进程管理、流量统计等核心内容，采用UML建模方法对数据关系进行建模，其中需求分析采用功能结构图、用例图、流程图进行描述，数据建模采用了实体图说明，过程建模采用流程图描述。 然后本文通过系统层次图将本系统功能分为八大模块，又通过功能模块分解图，进一步将各模块分解为组件。并设计了服务端模块组件、客户端模块组件、信息记录模块组件等组件和恶意软件检测系统数据库。通过流程图详细介绍了核心算法的实现，核心算法的实现包括特征向量的生成、分类算法的建立等过程。通过类图、流程图详细介绍了任务分发组件的实现。对于显示组件的实现采用了观察者模式和适配器模式。在全盘扫描组件的介绍过程中采用了类图介绍了各类之间的关系，时序图介绍了线程是如何协调工作。 最后对本系统进行测试与分析。对本系统进行了功能测试和性能测试，功能测试对本系统的主要功能进行了详细的测试。性能测试对系统的检测准确率和检测时间进行了测试，测试结果表明，达到了预期的目标。

目录

第一个书签之前