论文部分内容阅读
随着移动互联网的快速发展,智能手机逐渐成为用户连接网络的不可缺少的设备,在人们的日常生活中扮演着几乎不可缺少的角色。Android系统以其开放,自由的特征赢得了各大厂商,开发人员,以及用户的青睐,成为全球市场占有率最高的移动智能手机操作系统。同时由于Android系统的开放性,而且第三方应用市场对于上传下载应用没有严格,完善的审查机制,这样导致了如今Android市场中恶意应用泛滥的情况非常严重。Android用户下载安装了这些带有恶意行为的Android应用时,便很有可能对手机系统以及用户的隐私数据造成威胁(例如系统破坏、窃取隐私、恶意扣费)。所以,如何检测一个Android应用是否是恶意软件,无论是移动互联网安全、应用市场还是对Android用户来说具有非常重要的意义。本文通过对目前国内外研究现状进行分析,在深入研究Android软件恶意行为执行流程,提出一种基于深度学习的Android软件恶意行为检测方法,主要贡献包括:一、对目前的Android恶意行为的类别,执行流程以及关键检测技术进行分析,理解和总结Android软件恶意性检测技术的通用方法流程以及所需要的技术。二、分析基于词向量的深度学习文本建模方法,深入理解词向量技术的优缺点,结合Android软件的恶意行为执行流程,提出基于词向量的Android软件恶意行为的特征抽取方法。三、分析基于长短期记忆(LSTM)的递归神经网络的分类算法的优缺点,使用基于词向量的特征抽取方法得到分类算法的输入向量,最后采用基于LSTM的递归神经网络建立Android软件恶意行为检测模型,进而通过该模型实现对未知Android软件的检测。实验结果表明该算法在检测率上能够取得比基于传统机器学习算法更好的检测效果。