تشخیص بدافزار در سیستم عامل اندروید با استفاده از شبکه عصبی کانولوشن و شبکه حافظه طولانی کوتاهمدت | ||
| مدل سازی در مهندسی | ||
| دوره 23، شماره 80، بهار 1404، صفحه 47-57 اصل مقاله (675.56 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.31932.2537 | ||
| نویسندگان | ||
| علی اکبر تجری سیاه مرزکوه* 1؛ علی رحیمی حسین آباد2 | ||
| 1دانشکده علوم، گروه علوم کامپیوتر، دانشگاه گلستان، گرگان، ایران | ||
| 2دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه فنی و حرفهای، تهران، ایران | ||
| چکیده | ||
| استفاده از تلفنهای همراه با سیستمعامل اندروید روز بهروز در حال گسترش است. سیستمعامل اندروید بهخودی خود ابزار قدرتمندی برای تشخیص بدافزار ندارد. از اینرو، مهاجمان بهراحتی از طریق گوشی تلفن همراه افراد وارد حریم خصوصی آنها شده و آنها را در معرض خطر جدی قرار میدهند. تاکنون تحقیقات زیادی بر روی تشخیص بدافزار صورت گرفته است. یکی از مشکلات عمده این راهکارها، دقت پایین در تشخیص چند کلاسه روی مجموعه دادهها و یا عدم حصول نتیجه مطلوب در هر دو نوع تشخیص دودویی و چند کلاسه است. در این مقاله با استفاده از شبکه عصبی کانولوشن (CNN) و تغییر در تعداد لایههای مختلف، سعی کردهایم تا حداکثر تعداد ویژگیهای مهم را از مجموعه داده استخراج نماییم. در فاز طبقهبندی دادهها نیز از الگوریتم یادگیری شبکه حافظه طولانی کوتاهمدت (LSTM) استفاده میکنیم تا با آزمایش آن بر روی ویژگیهای انتخاب شده، دادهها با حداکثر دقت ممکن طبقهبندی شوند. نتایج آزمایش بر روی مجموعه داده جدید MalMemAnalysis-2022 نشان میدهد که استفاده از این دو الگوریتم و تغییر در تعداد لایهها میتواند در بهترین حالت بهترتیب منجر به دقتهای 99.99% و 71.99% در دسته-بندی دودویی و چند کلاسه در تشخیص بدافزار شود که نسبت به روشهای موجود برتری دارد. | ||
| کلیدواژهها | ||
| تشخیص بدافزار؛ شبکه عصبی کانولوشن (CNN)؛ شبکه حافظه طولانی کوتاهمدت (LSTM)؛ مجموعه داده MalMemAnalysis-2022 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 643 تعداد دریافت فایل اصل مقاله: 586 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 722 |
| تعداد مقالات | 10,383 |
| تعداد مشاهده مقاله | 72,838,541 |
| تعداد دریافت فایل اصل مقاله | 64,535,059 |