基于深度学习的恶意软件动态检测方法研究被引量：1

下载PDF

导出

摘要本文主要研究的是基于深度学习的恶意软件动态检测方法。首先采集提取了恶意软件的特征;其次基于深度学习构建了恶意软件动态检测模型,搭建了虚拟化恶意软件检测平台;最后进行蠕虫特征码自动提取,实现软件动态检测。通过实验结果表明,本文设计的恶意软件动态检测方法的检测效果较好,具有有效性,有一定的应用价值。

作者张皓

机构地区郑州工业应用技术学院

出处《电子技术与软件工程》 2022年第3期43-46,共4页 ELECTRONIC TECHNOLOGY & SOFTWARE ENGINEERING

关键词卷积神经网络恶意软件动态检测检测方法

分类号 TP311.5 [自动化与计算机技术—计算机软件与理论] TP309 [自动化与计算机技术—计算机系统结构] TP18 [自动化与计算机技术—控制理论与控制工程]

引文网络
相关文献

参考文献17

1张炳,文峥,魏筱瑜,任家东.InterDroid:面向概念漂移的可解释性Android恶意软件检测方法[J].计算机研究与发展,2021,58(11):2456-2474. 被引量：10
2田良,徐孟江.基于DPI的移动网数据深度检测分析实现对恶意程序的监测及处置[J].科学技术创新,2021(31):167-169. 被引量：2
3陈怡,唐迪,邹维.基于深度学习的Android恶意软件检测:成果与挑战[J].电子与信息学报,2020,42(9):2082-2094. 被引量：9
4高杨晨,方勇,刘亮,张磊.基于卷积神经网络的Android恶意软件检测技术研究[J].四川大学学报（自然科学版）,2020,57(4):673-680. 被引量：15
5杨鸣坤,罗锦光,欧跃发,慕德俊.基于API和Permission的Android恶意软件静态检测方法研究[J].计算机应用与软件,2020,37(4):53-58. 被引量：3
6欧阳立,芦天亮,暴雨轩,李默.DBN和GRU混合的Android恶意软件检测模型[J].中国人民公安大学学报（自然科学版）,2020,26(1):104-108. 被引量：2
7柯懂湘,潘丽敏,罗森林,张寒青.基于随机森林算法的Android恶意行为识别与分类方法[J].浙江大学学报（工学版）,2019,53(10):2013-2023. 被引量：13
8吴招娣,徐洋,谢晓尧.基于AE-DBN的Android恶意软件检测[J].贵州师范大学学报（自然科学版）,2019,37(3):96-101. 被引量：2
9刘亚姝,王志海,李经纬,赵烜,文伟平.基于卡方检验的Android恶意应用检测方法[J].北京理工大学学报,2019,39(3):290-294. 被引量：6
10张勇敢,李海霞.一种在Spark框架下的基于改进随机森林的Android恶意软件检测方法[J].电脑知识与技术,2019,15(2):192-194. 被引量：1

二级参考文献46

1张翠华.一种凝汽器钛管在线快速查漏方法的探讨与应用[J].热力发电,2009,38(8):137-140. 被引量：3
2王溢,李舟军,郭涛.防御代码注入式攻击的字面值污染方法[J].计算机研究与发展,2012,49(11):2414-2423. 被引量：18
3杨欢,张玉清,胡予濮,刘奇旭.基于多类特征的Android应用恶意行为检测系统[J].计算机学报,2014,37(1):15-27. 被引量：89
4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. 被引量：38
5曾立鹍,唐泉彬,牛斗.Android系统应用程序组件安全性分析[J].软件,2014,35(3):147-151. 被引量：9
6张玉清,王凯,杨欢,方喆君,王志强,曹琛.Android安全综述[J].计算机研究与发展,2014,51(7):1385-1396. 被引量：94
7樊郁徽,徐宁.Andriod平台的恶意软件行为分析[J].重庆文理学院学报（社会科学版）,2014,33(5):144-147. 被引量：6
8黎亚雄,张坚强,潘登,胡惮.基于RNN-RBM语言模型的语音识别研究[J].计算机研究与发展,2014,51(9):1936-1944. 被引量：29
9陈翠平.基于深度信念网络的文本分类算法[J].计算机系统应用,2015,24(2):121-126. 被引量：44
10韩宗达,李炳龙.基于证据库的数字证据转换模型[J].计算机应用研究,2015,32(7):2140-2143. 被引量：1

共引文献68

1黄海彬,万良,褚堃.基于可解释性的Android恶意软件检测[J].计算机系统应用,2022,31(12):29-40. 被引量：1
2施卫祖,崔慕皛.化学事故应急救援抢救系统建设与发展的思考[J].化工劳动保护,2000,21(4):117-120.
3苗博,陈子豪,杨本明,殷旭东.基于随机森林的Android恶意代码检测系统[J].信息技术与信息化,2019(12):68-70.
4李向军,孔珂,魏智翔,王科选,肖聚鑫.面向Android恶意应用静态检测的特征频数差异增强算法[J].计算机工程与科学,2020,42(6):993-1002.
5超凡,杨智,杜学绘,孙彦.基于深度神经网络的Android恶意软件检测方法[J].网络与信息安全学报,2020,6(5):67-79. 被引量：2
6葛文麒,杨清,廖俊国,何羽轩.基于特征加权的深度学习Android恶意检测系统研究[J].计算机工程,2020,46(11):174-180. 被引量：7
7傅伟玉.软件脆弱性检测技术及应用[J].电子技术与软件工程,2020(13):39-40.
8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. 被引量：2
9张雄冠,邵培南.基于textCNN模型的Android恶意程序检测[J].计算机系统应用,2021,30(1):114-121. 被引量：1
10孟庆岩.基于神经网络恶意软件入侵检测的应用[J].电脑编程技巧与维护,2021(2):161-163. 被引量：1

同被引文献17

1王涛,吴晓燕,程良伦.无线Mesh网络基于隐半马尔可夫模型的跨层结合异常检测方法[J].计算机科学,2012,39(8):62-66. 被引量：1
2熊辉,吕智慧,张世永.基于OpenStack的自适应异常检测模型的设计与实现[J].计算机应用与软件,2015,32(9):292-298. 被引量：1
3黎明,宋广军.云计算环境下软件异常区域检测模型仿真[J].计算机仿真,2015,32(9):314-317. 被引量：3
4王聪,邱卫东,唐鹏,连慧娟.基于CNN和LSTM混合的Android恶意应用检测[J].通信技术,2018,51(9):2209-2214. 被引量：4
5季一木,焦志鹏,刘尚东,吴飞,孙静,王娜,陈治宇,毕强,田鹏浩.基于通信特征的CAN总线泛洪攻击检测方法[J].网络与信息安全学报,2020,6(1):27-37. 被引量：7
6左晓军,陈泽,董立勉,常杰,侯波涛.基于信息安全框架“金三角模型”的网络安全评估方法研究[J].粘接,2020,41(2):106-110. 被引量：6
7陈晓军,姚浩浩,王月领,左苗.基于DNS日志的恶意域名态势预警研究[J].信息技术与信息化,2021(7):99-101. 被引量：3
8李群,董佳涵,关志涛,王超.一种基于聚类分类的物联网恶意攻击检测方法[J].信息网络安全,2021(8):82-90. 被引量：12
9卢纯义.基于SDN架构的电网通信恶意攻击防御控制方法[J].微型电脑应用,2021,37(12):162-165. 被引量：6
10白宏鹏,邓东旭,许光全,周德祥.基于联邦学习的入侵检测机制研究[J].信息网络安全,2022(1):46-54. 被引量：6

引证文献1

1李强,张兴富,桂胜,胡博.基于深度学习算法的恶意攻击检测系统设计与实现[J].粘接,2024,51(7):140-143.

电子技术与软件工程

2022年第3期

浏览历史

内容加载中请稍等...

基于深度学习的恶意软件动态检测方法研究被引量：1

参考文献17

二级参考文献46

共引文献68

同被引文献17

引证文献1

相关作者

相关机构

相关主题

浏览历史

基于深度学习的恶意软件动态检测方法研究 被引量：1

参考文献17

二级参考文献46

共引文献68

同被引文献17

引证文献1

相关作者

相关机构

相关主题

浏览历史

基于深度学习的恶意软件动态检测方法研究被引量：1