基于权限的安卓恶意软件检测方法

为了提高安卓恶意软件检测效率,提出了一种基于权限的安卓恶意软件检测方法.通过构建自动化特征提取过程来提取安卓应用中的权限特征,使用信息增益来生成数据集.结合无监督(KMeans)以及有监督(随机森林、分类回归树、J48)机器学习算法,将安卓应用划分为正常软件、短信木马、间谍软件、RootExploit、僵尸网络.正常软件从官方市场手动下载,恶意软件从VirusTotal,Contagio下载.实验结果表明该检测方法准确率达到97%,误报率为0.6%.该方法可以有效地检测出不同类型的安卓恶意软件.

改进随机森林在Android恶意检测中的应用

为了提高Android恶意软件多分类问题的效率,提出了一种改进的随机森林算法.针对随机森林构建过程中每个节点分裂时选取的特征子集进行优化,同时采用交叉验证方法进行模型优化.实验结果表明,在将Android应用划分为正常应用、短信木马、间谍软件、僵尸网络问题上,改进的随机森林算法分类性能优于原始的随机森林算法,具有较高的精确率(94.0%)和召回率(90.5%).能够有效检测出Android恶意软件类型,保护设备安全,保障用户信息和财产安全.

深度学习在音乐推荐中的应用

协同过滤(Collaborative filtering)是推荐系统中最广泛应用的一种方法,传统基于协同过滤的方法使用用户-物品评分矩阵预测用户对物品的喜好。在音乐推荐中,由于评分矩阵的过于稀疏而无法学习出用户和音乐的潜在特征。为了解决该问题,本文提出了一种基于内容的堆叠式降噪自动编码器,其结合了基于内容的推荐和协同过滤的优点。在Kaggle的比赛数据集上,可以发现模型表现要优于传统的协同过滤方法。