基于深度学习的Android恶意软件动态检测

为提高Android恶意软件的检测精度,提出一种基于改进DenseNet网络的Android恶意软件动态检测方法。以应用软件运行特定阶段的网络通信流量为分析对象,根据会话五元组信息切分原始网络流量并转换为灰度图,提出一种基于DenseNet网络改进的分类检测网络DenseNet_IS。通过添加具有不同大小卷积核的卷积分支获取不同感受野的特征,通过引入SimAM注意力模块,从空间和通道两个维度实现对重要特征的关注。结合应用软件判决机制,实现最终分类。在CICAndMal2017数据集上的实验结果表明,所提方法可以达到99.06%的良恶性检测精度和96.51%的多分类精度,验证了该方法的有效性。

基于GCN和BiLSTM的Android恶意软件检测方法

现有Android恶意软件检测方法大多是对单一结构类型的特征进行学习,在分析应用程序语义方面有所缺失。针对传统检测方法捕获特征语义不够全面的问题,文中创新性地提出了一种基于GCN和BiLSTM的Android恶意软件检测模型,在精准提取样本结构信息的同时对恶意行为语义进行重点分析。首先以图的方式表征26类关键系统调用间的拓扑关系,使用双层GCN网络聚合系统调用图中节点的高阶结构信息,有效提高特征学习效率;然后利用带有自注意力机制的BiLSTM网络获取操作码序列的上下文语义,通过为具有恶意特征的序列赋予高权重得到特征内部的强相关性;最后使用Softmax输出融合结构信息和上下文特征的样本分类概率。在基于Drebin和AndroZoo数据集的实验中,所提模型准确率达到了93.95%,F1值达到了97.09%,相较于基准算法有显著提高,充分证明了基于GCN和BiLSTM的模型能有效提升Android恶意软件的检测效果。

融合多样频度与分布差异的Android恶意软件检测

为解决Android恶意软件检测中特征数量多且检测精度不足的问题,提出一种特征重要性的评分算法。改进词频与逆文本频率指数中对常见特征权重下降的不足,将权限、意图和接口3种类型的静态特征在良性与恶意数据集中表现出的多样频度与分布差异相结合,根据得出的评分大小依次排名,筛选出更有区分度的关键特征。实验结果表明,将该方法筛选出的前150个关键特征与随机森林模型结合,达到的98.82%准确率优于同等条件下的其它算法,满足实际运用的需求。

计算机软件安全漏洞检测技术与应用路径

软件本质是一种按照特定顺序组织的计算机数据和指令的集合,通常而言软件可以分为系统软件、应用软件和支撑软件等多种类型。其中系统软件是计算机在使用过程中最基本的软件类型,而应用软件是能够实现特定功能的软件系统,支撑软件则是帮助用户进行软件开发的工具性软件。相关软件通常不可避免地会存在漏洞,而这些漏洞会对软件的使用安全性和可靠性造成威胁,本文针对当前计算机软件安全漏洞的检测与应用进行研究,期望对后续的工作有所帮助。

基于行为特征和语义特征的多模态Android恶意软件检测方法

现有的Android恶意软件检测方法只考虑单一种类的特征,并不能全面描述Android软件的特征。为解决此类问题,文中从权限、字节码概率矩阵和函数调用图3种类型特征出发,提出了一种基于行为特征和语义特征的多模态Android恶意软件检测方法。同时,为了解决函数节点特征表示问题,文中针对函数调用图的生成过程提出了一种新的节点特征生成方法。为了丰富操作码语义信息,提出了一种基于2-gram的字节概率矩阵生成方法。通过实验证明了文中方法相较于其他方法可更加全面地描述Android软件的特征,检测准确率达到95.2%,相较于已有方法准确率平均提升了22%,有效提高了Android恶意软件的检测能力。

计算机软件安全漏洞检测技术探究

随着计算机技术的迅猛进步与普及,计算机软件已成为现代社会的核心组成部分,但计算机软件中存在的安全漏洞,已成为系统安全性与用户隐私保护面临的重大挑战,对两者构成了不容忽视的潜在威胁。本文对计算机软件安全漏洞进行简要概述,并深入探讨计算机软件安全漏洞检测技术,以期提高计算机软件的安全性,减少漏洞带来的风险。

计算机软件安全漏洞检测技术的应用

随着科学技术的发展,计算机技术逐渐成为各行各业的发展关键,借助先进的计算技术,可以在保证作业质量的基础上,显著提高效率。因此,相关人员需要加强对计算机技术的重视。但在实际作业中,计算机作为一种先进设备,需要借助各种软件实现各种功能,因此软件作业质量就成了计算机能否充分发挥功能的关键。在此背景下,相关人员需要结合计算机软件安全管理,深入分析其存在的漏洞,并应用漏洞检测技术,保证计算机软件功能的发挥。

Android恶意软件检测方案探析

Android系统具有开源性、硬件选择丰富等优点,目前已成为用户基数最为庞大的移动操作系统,但同时也成为恶意应用软件的主要攻击目标,给广大的Android系统用户带来了危害。现阶段针对Android恶意应用检测的研究越来越多,本文对Android恶意应用检测技术和方案进行归纳总结,分析不同技术特点,对Android恶意应用软件检测研究的方向与特点进行讨论。

基于深度学习的计算机软件安全性能检测方法

由于计算机软件的大范围开发及开发者编写的代码逐渐简单化,导致软件存在漏洞,影响其安全性能,故提出基于深度学习的计算机软件安全性能检测方法。提取计算机软件代码数据,预处理代码数据作为模型输入参数,基于深度学习构建一个软件安全漏洞检测模型。实验结果表明,该方法的检测漏报率为0.04%、误报率为2.71%、检测时间为254 s,具有良好的软件安全漏洞检测能力。

计算机软件中安全漏洞检测技术研究

现代信息技术已经融入各个领域,不仅可以实现大量信息数据的高效存储,而且越来越稳定。然而,计算机软件中的安全漏洞越来越复杂,处理的难度越来越大,这就需要采用更加先进的检测技术,快速查找漏洞原因,及时弥补安全缺陷,确保计算机软件始终处于正常运行状态。基于此,本文探讨了计算机软件中安全漏洞的特点,分析了计算机软件安全漏洞检测技术,提出了安全漏洞检测技术在计算机软件中的应用建议。

面向复杂软件的缺陷检测与修复技术专题前言

在软件定义一切的信息时代,软件已经成为人们生产和生活的基石.由于软件系统规模不断扩大,应用环境越来越复杂,程序员在开发过程中难以避免引入软件缺陷.软件缺陷可能会引发不可预期的后果,甚至危及人们的生命财产安全.因此,及时且准确地检测并修复缺陷对于保障生产生活的正常运行具有重要意义.然而,在实践中软件缺陷的检测和修复面临着诸多挑战.例如,在庞大复杂的信息系统中.

基于云安全架构的Android恶意软件静态检测方案

随着Android系统手机普及,由它自身安全机制缺陷所带来的安全威胁也越来越大,所以针对Android恶意软件设计出高效率、高准确性的检测方案是非常有必要的。通过分析Android恶意软件的实现原理,基于云安全架构提出一种静态检测方案。解决方案将主要的检测工作部署在云端服务器上,使检测工作能够达到高效、快捷;另一方面应用高效的检测算法对目标软件的源代码进行静态分析,能够更加准确地判断出该软件是否具有恶意行为。最后,收集了1143个恶意软件样本和2937个正常应用程序样本来对该方案进行评估,验证其检测准确度和检测效率。

面向小样本的恶意软件检测综述

恶意软件检测是网络空间安全研究中的热点问题,例如Windows恶意软件检测和安卓恶意软件检测等.随着机器学习和深度学习的发展,一些在图像识别、自然语言处理领域的杰出算法被应用到恶意软件检测,这些算法在大量数据下表现出了优异的学习性能.但是,恶意软件检测中有一些具有挑战性的问题仍然没有被有效解决,例如,基于少量新颖类型的恶意软件,常规的学习方法无法实现有效检测.因此,小样本学习(few-shot learning,FSL)被用于解决面向小样本的恶意软件检测(few-shot for malware detection, FSMD)问题.通过相关文献,提取出FSMD的问题定义和一般流程.根据方法原理,将FSMD方法分为:基于数据增强的方法、基于元学习的方法和多技术结合的混合方法,并讨论每类FSMD方法的特点.最后,提出对FSMD的背景、技术和应用的展望.

MATLAB软件在安全检测与监控技术课程教学中的应用探讨

化工行业安全形势严峻,可靠的安全检测与监控是开展化工企业安全管理、保障安全生产的前提。安全检测与监控技术的课堂教学对于培养适应于化工行业的安全工程专业技术人才至关重要。为提升课堂授课效果,本文分析了安全检测与监控技术课堂教学中存在的问题及需求,提出了基于MATLAB软件的课程教学改革思路,并综合论述了具体的实施方案,研究结果对安全检测与监控技术的课程改革实践具有一定指导意义。

Android应用程序漏洞检测方法和工具新进展

Android是移动设备和智能设备的主流操作系统,其安全性受到广泛关注。然而Android应用程序普遍存在漏洞或恶意代码,许多学者对Andriod应用程序的漏洞检测方法开展了研究。由于Android系统发展迅速,且近年来机器学习和深度学习方法成功应用于漏洞检测,该文对2016年至2022年间发表的Android应用程序漏洞检测的最新成果进行了总结,阐述了涉及的源代码特征提取方法、基于机器学习/深度学习的检测方法、传统检测方法等,并给出了详细对比表。研究表明,仍缺乏Android专用的源代码漏洞数据集和工具等,以便对基于机器学习/深度学习的Android漏洞检测方法提供更有效的支撑。

基于软件分析的Android应用重打包检测与防御研究

基于Android操作系统智能手机应用程序的重打包由于其低成本、高收益等特性而成为了攻击者的首选。从软件分析的角度构造出特定的重打包行为作为数据样本,对目前流行的基于相似度和代码特性等开发的重打包检测系统进行分析与性能测试,并基于测试结果结合自解密代码和软件水印等技术设计一个改进的重打包防御框架。该框架不需要额外的数据集或原应用作比对,兼顾了针对重打包行为的自动防御以及软件开发者的版权所有权声明,增加了重打包攻击的难度,从而减少潜在重打包行为的发生。

基于多字节频率域可视化和深度学习的恶意软件检测

随着恶意软件数量和种类的增长,恶意软件可视化研究在提高检测效率上遇到了瓶颈。为提高准确率,从频率域角度,提出一种基于改进的多阶马尔可夫概率的恶意软件可视化方法。在恶意软件可视化过程中充分考虑相邻字节之间的关联性和不同长度汇编指令的字节分布等问题,根据指令长度计算不同阶的马尔可夫概率,获取多阶马尔可夫图像以扩展样本量。融合深度学习构建IM-CNN(image of muti-order Malkov-CNN)检测框架,进行分类检测,其结果表明,IM-CNN在CNCERT和BIG2015数据集上的准确率最高均可达99%,受恶意软件数据集的平衡性因素影响较小。

结合注意力与双线性网络的Android恶意软件检测

为解决基于字节码图像的Android恶意软件检测方法中存在多分类准确率不高、易被噪音数据干扰等问题,提出一种结合注意力与双线性网络的恶意软件检测方法。从软件样本中提取字节码文件并将其映射为彩色图像,将注意力机制加入双线性网络的一条分支中减小噪音数据的影响,使用结合注意力的双线性网络模型完成对字节码图像的分类。实验结果表明,该方法在恶意软件二分类与多分类中均具有良好的性能,总体检测性能优于其它同类方法与模型。

计算机软件安全检测存在的问题及方法分析

计算机软件是指在计算机整个系统当中具有固定的存在的形式,是设定计算机的核心存在。程序是计算机运作和计算机技术运用的主要性的描述,关键性作用在于计算机中的正确处理目标和解决标准。文本文档则可以有利于计算机用户掌握计算机系统的辅助材料。在本文的探讨里将对于计算机技术检测中存在的不足和局限性开展具体分析,论述可以提高计算机检测精确性的方法,为相关领域的检验工作提供一定的理论依据。

软件开发环境下API应用安全的实现与研究

API是数据交换的重要途径,其安全问题不容忽视。从基于API应用安全技术的身份验证、访问控制、消息加密及攻击检测等几个方面,深入探讨了在软件开发环境下API应用安全的实现方式与设计思路,以保障软件开发环境下API接口的使用安全,从而提升软件开发质量。