改进随机森林在安卓恶意检测中的应用

信息安全研究 ›› 2017, Vol. 3 ›› Issue (11): 1020-1027.

• 人工智能与金融信息安全专题 • 上一篇下一篇

改进随机森林在安卓恶意检测中的应用

朱月俊,文爽,李剑

北京邮电大学计算机学院

收稿日期:2017-11-19 出版日期:2017-11-15 发布日期:2017-11-18
通讯作者: 朱月俊
作者简介:朱月俊(1992-), 男，硕士研究生，主要研究方向为信息内容安全文爽(1993-), 女，硕士研究生，主要研究方向为信息内容安全李剑(1976-)，男,副教授，博士，主要研究方向为智能网络安全、量子密码学、信息内容安全

Improved random forest algorithm and its application in Android malware detection

Received:2017-11-19 Online:2017-11-15 Published:2017-11-18

摘要/Abstract

摘要： 为了提高安卓恶意软件多分类问题的效率，提出了一种改进的随机森林算法。针对随机森林构建过程中每个节点分裂时选取的特征子集进行优化，同时采用交叉验证方法进行模型优化。实验结果表明，在将安卓应用划分为正常应用、短信木马、间谍软件、僵尸网络问题上，改进的随机森林算法分类性能优于原始的随机森林算法，具有较高的精确率(94.0%)和召回率(90.5%)。能够有效检测出安卓恶意软件类型，保护设备安全，保障用户信息和财产安全。

关键词: 安卓, 恶意软件, 多分类, 随机森林, 特征子集, 交叉验证

Abstract: In order to improve the efficiency of android malware detection, an improved random forest algorithm is proposed. It optimizes the subset of features selected in the process of splitting each node during the random forest generation process, and the model will be optimized by Cross Validation method. The experiment results show that improved random forest is superior to the original one in the problem of classifying android applications into normal, SMS Trojan, spyware, botnet with a higher precision(94.0%) and recall(90.5%). It can effectively detect different android malware, and the information and property of the users are guaranteed.

Key words: Android, malware, multiple classification, random forest, feature subset, cross validation

朱月俊文爽李剑. 改进随机森林在安卓恶意检测中的应用[J]. 信息安全研究, 2017, 3(11): 1020-1027.

参考文献

[1]Statista. Global mobile OS market share[EB/OL](2017-05)[2017-08-02]. https://www.statista.com/statistics/266136/global-market-share-held-by-smartphone-operating-systems/ [2] 360之家. 2016年Android恶意软件专题报告[EB/OL](2017-02-27)[2017-09-10].http://www.360zhijia.com/360anquanke/178579.html [3]Sanz B, Santos I, Laorden C, et al. PUMA: Permission usage to detect malware in Android [C] //Proc of Int Joint Conf CISIS’12-ICEUTE’12-SOCO’12 Special Sessions, Berlin: Springer, 2013: 289-298 [4] Aafer Y, Du W, Yin H. DroidAPIMiner: Mining API-level features for robust malware detection in android[C] //Proc of Int Conf on Security and Privacy in Communication Systems.Berlin: Springer, 2013: 86-103 [5] Burguera I, Nadijm-Tehrani U Z. Crowdroid: Behavior-based malware detection systemfor Android[C] //Proc of the 1st ACM Workshop on Security and Privacy in Smartphones andMobile Devices. New York: ACM, 2011: 15-26 [6] Su Hou, Tianliang Lu, Yanhui Du, el al. Static detection of Android malware based onimproved random forest algorithm[C] //Proc of 2017 IEEE International Conference onIntelligence and Security Informatics(ISI). Beijing: IEEE, 2017: 22-24 [7] Arp D, Spreitzenbarth M, Hubner M, el al. DREBIN: Effective and Explainable Detectionof Android Malware in Your Pocket[DB]. San Diego: Internet Society, 2013 [8]孙伟，孙雅杰，夏孟友.一种静态Android重打包恶意软件应用检测方法[J].信息安全研究,2017,3(8):692-700 [9]赵洋，胡龙，熊虎，等. 基于沙盒的Android恶意软件动态分析方案[J]. 信息网络安全，2014,(12):21-26 [10]张锐，杨吉云. 基于权限相关性的Android恶意软件检测[J]. 计算机应用，2014,34(5):1322-1325 [11]张帆，钟章队. 基于权限分析的手机恶意软件检测与防范[J]. 信息网络安全，2015,(10):66-73 [12]Chanin Tansettanakorn, Supachai Thongprasit, Siritam Thamkongka. ABIS: A prototype of Android Botnet Identification System[C] //Proc of 2016 Fifth ICT International Student Project Conference(ICT-ISPC). Nakhon Pathom: IEEE, 2016 [13] 肖云倡, 苏海峰, 钱雨村等人. 一种基于行为的Android恶意软件家族聚类方法[J]. 武汉大学学报(理学版), 2016: 429-436 [14] 彭国军, 罗元, 沈诗琦等人. 基于行为的Android恶意软件家族分类系统[J]. 保密技术科学, 2014: 51-56 [15] Zhou Y, Wang Z, Zhou W, el al. Hey, you, get off of my market: Detecting malicious APPs in official and alternative android markets[C] //Proc of the 19th Annual Network and Distributed System Security Symposium. San Diego: Internet Society, 2012: 5-8 [16] Wu D-J, el al. DroidMat: Android malware detection through manifest and API callstracing[C] //Proc of the 7th Asia Joint Conf in Information Security(Asia JCIS). Piscataway, NJ:IEEE, 2012: 62-69

改进随机森林在安卓恶意检测中的应用

Improved random forest algorithm and its application in Android malware detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	钟越付迪阳. Android应用程序隐私权限安全研究[J]. 信息安全研究, 2021, 7(3): 287-292.
[2]	王柯林杨珂赵瑞哲辛丽玲汪秋云. 基于随机森林的抗混淆Android恶意应用检测[J]. 信息安全研究, 2021, 7(2): 126-135.
[3]	刘林刘亮张磊吴润浦. Android应用威胁等级评估技术的设计与实现 [J]. 信息安全研究, 2021, 7(1): 27-36.
[4]	戴纯兴刘刚韩春超王传国. KVM环境下基于异常行为的恶意软件检测技术研究[J]. 信息安全研究, 2020, 6(6): 0-0.
[5]	杨频潘岳镭贾鹏刘亮. 基于汇编指令词向量特征的恶意软件检测研究[J]. 信息安全研究, 2020, 6(2): 113-121.
[6]	黄莉峥刘嘉勇郑荣锋李孟铭. 一种基于暗网的威胁情报主动获取框架[J]. 信息安全研究, 2020, 6(2): 131-138.
[7]	李创丰李云龙孙伟. 基于CNN和朴素贝叶斯方法的安卓恶意应用检测算法[J]. 信息安全研究, 2019, 5(6): 470-476.
[8]	朱雪冰周安民左政. 基于家族行为频繁子图挖掘的恶意代码检测[J]. 信息安全研究, 2019, 5(2): 105-113.
[9]	莫坤王娜李恒吉李朝阳李剑. 基于LightGBM的网络入侵检测系统[J]. 信息安全研究, 2019, 5(2): 152-156.
[10]	何平胡勇. 一种基于本地代码特征的Android恶意代码检测方法[J]. 信息安全研究, 2018, 4(6): 511-517.
[11]	刘亮刘露平何帅刘嘉勇. 一种基于多特征的恶意代码家族静态标注方法[J]. 信息安全研究, 2018, 4(4): 322-328.
[12]	庞鹏飞韩文聪薛源于长富谢长达. 基于Android内核的图像视频数据保护技术[J]. 信息安全研究, 2018, 4(4): 342-351.
[13]	杜炜李剑. 基于半监督学习的安卓恶意软件检测及其恶意行为分析[J]. 信息安全研究, 2018, 4(3): 242-250.
[14]	陈泽峰方勇刘亮左政李抒霞. 基于多维特征的Android恶意应用检测系统[J]. 信息安全研究, 2018, 4(2): 133-139.
[15]	王涛李剑. 基于深度学习的Android恶意软件检测的设计和实现 [J]. 信息安全研究, 2018, 4(2): 140-144.