【摘 要】
：
随着移动网络的快速发展,移动设备逐渐成为人们首选的网络终端设备。与此同时,安卓操作系统也逐渐成为中国市场首选的移动端操作系统。安卓操作系统的大量应用使得更多的不法人员试图攻击安卓设备来获取非法利益,这也导致了安卓恶意软件的泛滥。近年来,安卓恶意软件的逃逸技术在逐渐升级,安卓恶意软件检测的难度不断加大。面对当前移动网络安全的严峻形势,如何高效精准的检测安卓恶意软件是一个重要课题。首先,提出基于增强深
论文部分内容阅读
随着移动网络的快速发展,移动设备逐渐成为人们首选的网络终端设备。与此同时,安卓操作系统也逐渐成为中国市场首选的移动端操作系统。安卓操作系统的大量应用使得更多的不法人员试图攻击安卓设备来获取非法利益,这也导致了安卓恶意软件的泛滥。近年来,安卓恶意软件的逃逸技术在逐渐升级,安卓恶意软件检测的难度不断加大。面对当前移动网络安全的严峻形势,如何高效精准的检测安卓恶意软件是一个重要课题。首先,提出基于增强深度学习的拟态安卓恶意软件动态检测结构。采用拟态安全中非相似余度架构的思想,输入数据随机选择架构中的三个异构冗余体,即增强的LSTM模型、增强的GRU模型和增强的胶囊网络模型进行训练和预测。异构冗余体是指实现相同功能的不同算法,它们一起构成了功能等价的冗余异构体集合。基于增强深度学习的拟态安卓恶意软件动态检测结构能够在高效的进行安卓恶意软件检测的同时保证检测结构自身的安全性。然后,在非相似余度架构的基础上提出基于增强深度学习的安卓恶意软件动态检测方法。对LSTM、GRU和胶囊网络进行了增强处理,提出增强的LSTM模型、增强的GRU模型和增强的胶囊网络模型。增强的LSTM模型、增强的GRU模型和增强的胶囊网络模型能够更有效学习输入数据的历史信息特征。综上所述,本文提出一种安全高效的基于增强深度学习的拟态安卓恶意软件动态检测方法。采用安卓软件运行时的API调用序列作为输入特征,利用拟态架构和增强的深度神经网络来进行安卓恶意软件的动态检测。经过多组对比实验,实验结果表明,基于增强深度学习的拟态安卓恶意软件动态检测模型对恶意软件的检测能力优于传统深度学习模型,并且较之传统深度学习模型具有更好的防御性能。
其他文献
近年来,知识图谱在推荐系统中的应用越来越受研究人员的重视,它不但可以提高推荐的准确性,而且有效的解决了传统推荐算法中存在的数据稀疏性问题和冷启动问题。但是,现有的基于嵌入和基于路径的知识感知推荐算法都存在各自的局限性,并且在使用知识图谱作为辅助信息时并未考虑知识图谱的不完整性。为了解决上述问题,本文提出了基于注意力机制的知识感知融合推荐算法,通过注意力机制合并知识图谱中的实体获取用户偏好,使用知识
随着信息技术的迅猛发展,知识推荐系统在智慧教育领域被广泛应用。知识推荐的两个基本任务是预测学习者偏好分布情况以及预测学习资源知识分布情况。传统的学习者偏好模型通常基于学习者学习状态进行推荐,忽略了知识结构中蕴含的整体性学习规律和学习者行为结构中蕴含的个体性学习规律,进而导致学习者偏好拟合不够准确、知识推荐效果不够理想等问题。而现有推荐方法中对学习资源知识分布情况进行预测时,未能充分利用学习者与学习
网络中的数据量迅速增长,如何挖掘并利用网络数据中有用的信息是当前自然语言处理领域关注的重点问题。网络中的数据通常是以自然语言的形式存在,但计算机处理自然语言时只能获取到自然语言的一些表面信息而不能对其进行更高层次的语义分析,因此不能有效挖掘到这些数据中的有用信息。知识图谱把非结构化的自然语言转换成结构化的形式,在对数据的描述方面具有特别大的优势。如果能把网络数据和知识图谱关联起来,运用知识图谱中的
近年来,随着信息技术的发展,时间序列的应用越来越广泛,如灾害监测、安全分析、金融商业等领域都包含海量带有时间属性的数据。这些数据具有规模大、类型多等特征,蕴藏着巨大的价值。因此,如何对时间序列进行精确分类,是流式数据事件分析和数据挖掘的基础,也是数据流领域研究的重点和难点。时间序列数据是按某一给定采样频率,对某一过程进行监测得到的一段实值数据波形,随时间戳变化连续记录,不受系统环境等因素影响。时间
信息时代产生了海量数据,这些数据中潜藏着巨大的信息价值,对人们的生活、工作起着愈发重要的作用。但在实际应用中,数据缺失现象在工业、医学、商业和科学研究等诸多领域中普遍存在,存在不完整数据集。如何使缺失数据充分的为人所用,挖掘出缺失数据中潜在的有价值的信息对于我们来说十分重要。若缺失值处理不当会在数据聚类中造成较大误差或错误结果,因此不完整数据聚类问题已经成为不完整数据分析中的一个重点。首先,为了解
随着互联网技术的不断进步发展,个性化推荐技术逐渐成为计算机领域的研究热点。随着教育的重要性日益提高以及互联网和大数据等技术的发展,越来越多的研究人员将大数据研究应用于教育领域。在教育大数据应用中,对新用户的教育资源推荐易导致信息量不足,从而产生冷启动推荐问题。冷启动推荐问题是指新用户刚刚进入系统,无任何历史行为,无法依据历史数据获得用户偏好,从而给推荐带来巨大挑战。如何进行冷启动推荐,同时保证推荐
近年来,随着通信、网络、集成电路领域的高速发展,对于数据的传输量和传输速度都有了更高的要求。但传统接口电路受技术所限,已经无法满足高速信号传输的需求。为解决这一问题,低压差分信号（Low Voltage Differential Signaling,LVDS）接口技术和电流模逻辑（Current Mode Logic,CML）接口技术应运而生。本文基于SMIC 180 nm CMOS工艺,分别设计
随着各种语音和视频即时消息传递方法的兴起,大屏幕,高像素和便携性已成为移动手持终端发展的主流趋势。尤其是可穿戴设备的出现,对数据传输速度,功耗和接口集成提出了更高的要求。为了降低不同模块之间通信的复杂性并使其易于集成和标准化,制造商开发了各种标准协议。其中,移动工业处理器接口（MIPI）标准由于其完整的技术和强大的适用性而被广泛用于移动手持终端显示应用中,因此具有极高的研究价值。本文以MIPI D
许多集成电路中都需要时钟信号,如本文设计的为时间-数字转换器所提供的多相位时钟信号。而对于高精度多相位时钟电路来说,一个小的抖动就有可能造成相位之间的混乱,进而扰乱后续电路的时序,因此对时钟信号质量的要求也更加严格。锁相环为时钟电路提供本振时钟信号,所以一个高杂散性能、高噪声性能的锁相环不可或缺。本文设计的亚采样锁相环,可以避免电荷泵锁相环中因电流失配等非理想因素而造成杂散性能的降低,并且因为环路
多目标跟踪是发展智能交通,智慧驾驶的关键技术。分析跟踪获得的车辆目标数量,车辆行进轨迹,能够有效提高道路监控、车流量统计、辅助驾驶和驾驶习惯分析等方面的综合管理水平。近年来,深度学习推动了计算机视觉领域的发展,学者们提出了大量基于深度神经网络的多目标跟踪方法。这类方法将网络获取的目标检测结果进行逐帧关联,以检测为基础实现多目标跟踪,提高了跟踪方法的性能。然而,车辆目标形态各异,移动速度高,且存在严