多上下文特征的Android恶意程序静态检测方法

提出一种基于多上下文特征的Android恶意程序检测方法,将敏感权限、广义敏感应用程序接口(API)和敏感系统广播三类敏感资源作为原始特征,并与其发生的上下文相结合形成程序特征,区分应用程序的良性和恶意行为.构造了基于回调函数的过程间控制流图,并定义了一组过滤压缩规则.用该方法对4972个应用程序进行检测分析,结果表明:随机森林算法在本文的特征集上表现效果最佳,准确率为95.4%,召回率为96.5%,本文方法比其他方法的检测效果更优.

融合多上下文特征信息的贝叶斯群组推荐算法

针对当前群组推荐精度较低等问题,将群组活动推荐转化为排序学习,提出了一种融合多上下文特征信息的贝叶斯群组推荐算法。首先借助线性判断分析文件主题模型,构建用户对活动的兴趣偏好,利用词频-逆文档频率统计算法求取用户对活动的时间偏好,引入密度估计法并结合用户参加活动的频数建立用户对活动位置的偏好概率模型;随后基于贝叶斯个性化排序为所有群组定义统一优化目标;最后根据群组对活动的偏好评分获得活动推荐列表。仿真实验对比表明:与3种单特征群组推荐算法相比,所提出的算法准确率至少提高了29.51%、召回率至少提高了34.76%;与3种同类群组推荐算法相比,所提出的算法准确率至少提高了3.51%、召回率至少提高了2.82%,归一化折损累计增益也略高于其他算法。