Luận án Phân loại mã độc Android sử dụng học sâu

Tên luận án:

PHÂN LOẠI MÃ ĐỘC ANDROID SỬ DỤNG HỌC SÂU

Ngành:

Kỹ thuật Máy tính

Tóm tắt nội dung tài liệu:

Luận án này tập trung giải quyết vấn đề phân loại mã độc trên hệ điều hành Android, một lĩnh vực có tầm quan trọng lớn do sự gia tăng nhanh chóng của mã độc và rủi ro đối với người dùng thiết bị di động. Bối cảnh nghiên cứu cho thấy Android thống trị thị trường di động, dẫn đến sự gia tăng mã độc và nhu cầu cấp thiết về các giải pháp phát hiện. Trong luận án, phương pháp phân tích tĩnh được ưu tiên để trích xuất đặc trưng.

Nghiên cứu khảo sát toàn diện các công trình liên quan từ năm 2019 đến năm 2022 về phát hiện và phân loại mã độc Android dựa trên học máy. Luận án đề xuất và triển khai một số phương pháp nhằm nâng cao hiệu quả phân loại. Cụ thể, trong giai đoạn trích xuất đặc trưng, luận án đề xuất các phương pháp tăng cường đặc trưng sử dụng ma trận đồng hiện (Co-matrix) và thuật toán Apriori để tạo ra các đặc trưng mới dựa trên mối quan hệ giữa các đặc trưng gốc, như quyền và lệnh gọi API. Đồng thời, một phương pháp lựa chọn đặc trưng mới dựa trên mức độ phổ biến và độ tương phản cũng được đề xuất để xác định các đặc trưng quan trọng.

Trong giai đoạn phân lớp, luận án áp dụng và đánh giá nhiều mô hình học máy truyền thống (SVM, RF, DT, KNN, NB) và các mô hình học sâu (DBN, CNN, LSTM, GAN, RNN). Đặc biệt, mô hình Deep and Wide CNN (WDCNN) được đề xuất và cải tiến, cho thấy nhiều ưu điểm trong việc nâng cao hiệu quả phân loại mã độc trên Android. Các phương pháp đề xuất được thực nghiệm trên các bộ dữ liệu điển hình như Drebin và AMD, chứng minh tính khả thi và hiệu quả. Ngoài ra, nghiên cứu cũng đề cập đến mô hình học tập liên kết, góp phần vào khả năng triển khai thực tế mặc dù không cải thiện đáng kể hiệu suất phân loại.

Những đóng góp chính của luận án bao gồm đề xuất phương pháp tăng cường đặc trưng bằng Apriori và Co-matrix, phương pháp lựa chọn đặc trưng mới, và mô hình WDCNN cải tiến với độ chính xác cao trong phân loại mã độc Android (đạt chỉ mục SCI Q3).

Mục lục chi tiết:

• GIỚI THIỆU

• CHƯƠNG 1 TỔNG QUAN VỀ PHÂN LỚP MÃ ĐỘC TRÊN ANDROID DỰA TRÊN HỌC MÁY

  • 1.1. Thông tin cơ bản

  • 1.2. Các phương pháp pháp hiện mã độc trên Android

    • 1.2.1. Phương pháp dựa trên chữ ký

    • 1.2.2. Phương pháp phát hiện dựa trên sự bất thường

    • 1.2.3. Các độ đo được sử dụng

    • 1.2.4. Bộ dữ liệu mã độc Android

  • 1.3. Phân lớp mã độc Android dựa trên học máy

  • 1.4. Các nghiên cứu liên quan

  • 1.5. Các phương pháp đề xuất

• CHƯƠNG 2 CÁC PHƯƠNG PHÁP ĐỀ XUẤT THEO HƯỚNG TRÍCH XUẤT ĐẶC TRƯNG

  • 2.1. Tăng cường đặc trưng dựa trên ma trận đồng hiện

    • 2.1.1. Ý tưởng

    • 2.1.2. Trích xuất đặc trưng thô

    • 2.1.3. Các đặc trưng được tính toán bằng ma trận đồng hiện

    • 2.1.4. Kết quả thực nghiệm

  • 2.2. Tăng cường đặc trưng dựa trên thuật toán Apriori

    • 2.2.1. Ý tưởng

    • 2.2.2. Thuật toán Apriori

    • 2.2.3. Tạo bộ đặc trưng

    • 2.2.4. Kết quả thực nghiệm

  • 2.3. Lựa chọn tính năng dựa trên mức độ phổ biến và giá trị tương phản trong cách tiếp cận đa mục tiêu

    • 2.3.1. Ý tưởng

    • 2.3.2. Tính toán độ phổ biến và độ tương phản

    • 2.3.3. Phương pháp tối ưu hóa đa mục tiêu Pareto

    • 2.3.4. Hàm lựa chọn và thực hiện

    • 2.3.5. Kết quả thực nghiệm

• CHƯƠNG 3 PHÂN LỚP MÃ ĐỘC ANDROID DỰA TRÊN HỌC SÂU

  • 3.1. Áp dụng mô hình DBN

    • 3.1.1. Mô hình DBN

    • 3.1.2. Máy Boltzmann và mô hình DBN

    • 3.1.3. Kết quả thực nghiệm

  • 3.2. Áp dụng mô hình CNN

    • 3.2.1. Mô hình CNN

    • 3.2.2. Kết quả thực nghiệm

  • 3.3. Đề xuất phương pháp sử dụng mô hình WDCNN để phân loại mã độc trên Android

    • 3.3.1. Ý tưởng

    • 3.3.2. Xây dựng các thành phần trong mô hình WDCNN

    • 3.3.3. Kết quả thực nghiệm

  • 3.4. Áp dụng mô hình học liên kết

    • 3.4.1. Mô hình học liên kết

    • 3.4.2. Triển khai mô hình học liên kết

    • 3.4.3. Kết quả thực nghiệm

  • 3.5. Kết chương

• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

• Các đóng góp

• Hướng phát triển

• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN