公开(公告)号：CN109543406B

公开(公告)日：2023-04-11

申请号：CN201811150736.1

申请日：2018-09-29

Applicant: 广东工业大学

Inventor： 王雪敬 ,  凌捷 ,  孙玉 ,  孙宇平

IPC: G06F21/56 ,  G06N3/006 ,  G06N20/00

Abstract: 本发明涉及一种基于XGBoost机器学习算法的Android恶意软件检测方法，首先通过反编译apk文件提取Permission，Intent，Component和API call特征，并量化组成特征矩阵，利用蚁群算法的并行性和较强的鲁棒性，对XGBoost分类器参数进行寻优，以求得最优目标并得到XGBoost的最优参数组合。该发明提出的改进的XGBoost机器学习算法与传统的XGBoost算法相比，在Android恶意软件检测时具有更高的分类精度,提高了恶意软件检测的正确率,降低了由于检测错误而导致Android系统遭受攻击的概率。

公开(公告)号：CN109543406A

公开(公告)日：2019-03-29

申请号：CN201811150736.1

申请日：2018-09-29

Applicant: 广东工业大学

Inventor： 王雪敬 ,  凌捷 ,  孙玉 ,  孙宇平

IPC: G06F21/56 ,  G06N3/00 ,  G06N20/00

Abstract: 本发明涉及一种基于XGBoost机器学习算法的Android恶意软件检测方法，首先通过反编译apk文件提取Permission，Intent，Component和API call特征，并量化组成特征矩阵，利用蚁群算法的并行性和较强的鲁棒性，对XGBoost分类器参数进行寻优，以求得最优目标并得到XGBoost的最优参数组合。该发明提出的改进的XGBoost机器学习算法与传统的XGBoost算法相比，在Android恶意软件检测时具有更高的分类精度,提高了恶意软件检测的正确率,降低了由于检测错误而导致Android系统遭受攻击的概率。