基于深度學(xué)習(xí)的智能手機入侵檢測系統(tǒng)的研究.pdf_第1頁
已閱讀1頁,還剩66頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著科技的快速發(fā)展,目前智能化手機已經(jīng)成為人們生活中不可或缺的必需品之一。由于手機的智能化要求不斷提高,隨之而來的安全問題也是層出不窮。例如:手機中的許多應(yīng)用程序會以非法的方式竊取以Android為平臺的手機用戶的重要信息,給廣大用戶造成了不小的損失。
  為了解決智能手機的安全性問題,本文提出了一種基于深度學(xué)習(xí)的Android入侵檢測模型,該模型主要針對智能手機的異常行為進行檢測。而智能手機的異常檢測問題,歸根結(jié)底是二分類問題,

2、深度學(xué)習(xí)技術(shù)在多個領(lǐng)域的成功應(yīng)用說明該技術(shù)可以在保證準(zhǔn)確率的條件下解決許多相關(guān)分類的問題,因此將深度學(xué)習(xí)技術(shù)應(yīng)用于智能手機的入侵檢測可以在保證檢測率、降低誤報率的條件下,對手機的異常行為進行檢測。本文的主要研究工作包括以下幾個方面:
  (1)采用兩種新的數(shù)據(jù)集進行實驗,它們分別來源于Android智能手機特定進程的網(wǎng)絡(luò)數(shù)據(jù)包和靜態(tài)分析數(shù)據(jù)。對于特定進程的網(wǎng)絡(luò)數(shù)據(jù)包,由于其采用了特定進程的數(shù)據(jù)包,因此針對該數(shù)據(jù)集的實驗和研究具有一

3、定的創(chuàng)新性。對于靜態(tài)分析數(shù)據(jù),它是由Andriod智能手機安裝包APK文件進行反編譯操作所得。本文同時對智能手機硬件信息和系統(tǒng)調(diào)用序列數(shù)據(jù)進行了采集,但通過實驗結(jié)果可知,當(dāng)采用稀疏自動編碼器(SAE)、支持向量機(SVM)、深度信念網(wǎng)絡(luò)(DBN)三種方法時,后兩種數(shù)據(jù)集的準(zhǔn)確率均低于80%,造成該結(jié)果的原因主要是這兩種數(shù)據(jù)集包含的特征屬性較少,關(guān)鍵信息提取不全面。因此,本文將舍棄后兩種數(shù)據(jù)集,只采用特定進程的網(wǎng)絡(luò)數(shù)據(jù)包和靜態(tài)分析數(shù)據(jù)進行

4、實驗,并分別對這兩種數(shù)據(jù)集進行預(yù)處理,整理形成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。
  (2)運用了基于深度學(xué)習(xí)的Android入侵檢測模型,分別在SAE、DBN、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)和AlexNet模型四種算法上進行了實驗。實驗結(jié)果表明:對于特定進程網(wǎng)絡(luò)數(shù)據(jù)包數(shù)據(jù)集,采用SAE算法、DBN算法、RNN算法和AlexNet算法時,檢測率分別達到90%、95%、93%、89%左右,誤報率分別低于9%、11.5%、9%、10.5%;對于靜態(tài)分析

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論