En los últimos años, el malware de Android ha seguido creciendo a un ritmo alarmante. Las aplicaciones maliciosas más recientes emplean técnicas de evasión de detección altamente sofisticadas, lo que hace que los métodos tradicionales de detección de malware basados en aprendizaje automático sean mucho menos efectivos. Específicamente, no pueden hacer frente a varios tipos de malware de Android y tienen limitaciones en la detección al utilizar un solo algoritmo de clasificación. Para abordar esta limitación, proponemos un enfoque novedoso en este artículo que aprovecha técnicas de aprendizaje automático paralelo y fusión de información para una mejor detección de malware de Android, que se denomina. Para implementar este enfoque, primero extraemos ocho tipos de características de análisis estático en aplicaciones de Android y construimos dos tipos de conjuntos de características después de la selección de características. Luego, se desarrolla un modelo de detección de aprendizaje automático paralelo para acelerar el proceso de clasificación. Finalmente, investigamos enfoques
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Armonización de formas de onda multiportadora y análisis de complejidad para una implementación eficiente de la interfaz aérea 5G
Artículo:
Investigación sobre la Eficiencia de la Producción Mundial de Alimentos y la Sostenibilidad Ambiental Basada en el Modelo Entropía-DEA.
Artículo:
Un Método de Extracción de Características Escasas con Elastic Net para la Identificación de Interacciones Fármaco-Blanco
Artículo:
Un mecanismo de compartición de recursos por categorías para las comunicaciones entre dispositivos en redes celulares
Artículo:
Investigación y análisis sobre el sistema de índices de la economía digital en la provincia de Anhui.