اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,417 |
| تعداد مقالات | 10,200 |
| تعداد مشاهده مقاله | 12,108,983 |
| تعداد دریافت فایل اصل مقاله | 7,078,076 |
ارائه چارچوب ترکیبی تشخیص بدافزارهای اندرویدی با استفاده از الگوریتم بهینهسازی ازدحام ذرات بهبودیافته و ماشین بردار پشتیبان با هسته فازی | ||
| پدافند غیرعامل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 تیر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسنده | ||
| علی اکبر تجری سیاه مرزکوه* | ||
| استادیار، دانشگاه گلستان، گروه علوم کامپیوتر، گرگان، ایران | ||
| تاریخ دریافت: 16 مهر 1404، تاریخ بازنگری: 14 دی 1404، تاریخ پذیرش: 22 تیر 1405 | ||
| چکیده | ||
| این مقاله یک چارچوب ترکیبی نوآورانه برای تشخیص بدافزار اندروید ارائه میدهد که یک الگوریتم بهینهسازی ازدحام ذرات بهبودیافته (IPSO) را با یک ماشین بردار پشتیبان فازی با هسته (FKSVM) تلفیق میکند. هدف اصلی، غلبه بر چالشهای روشهای سنتی، از جمله ابعاد بالای ویژگیها، همگرایی زودرس و ناتوانی در مدلسازی عدم قطعیت ذاتی در دادههای بدافزاری است. الگوریتم IPSO با بهرهگیری از یک وزن پویا و یک عملگر جهش تصادفی، از همگرایی زودرس جلوگیری کرده و یک زیرمجموعه ویژگی بهینه را انتخاب میکند. در ادامه، مدل FKSVM با استفاده از یک هسته فازی جدید، عدم قطعیت دادهها را به طور مؤثر مدیریت مینماید. ارزیابی چارچوب پیشنهادی بر روی مجموعهداده CIC-AndMal2020 نشان میدهد که این روش در طبقهبندی دودویی به دقت ۹۹.۹۸ درصد و نرخ هشدار نادرست بسیار پایین ۰.۰۱ درصد دست مییابد. این نتایج، عملکرد برتر چارچوب ارائهشده را در مقایسه با روشهای موجود از نظر دقت، سرعت و مقاومت در برابر حملات متخاصم به وضوح نشان میدهد و اثربخشی آن را تأیید میکند. | ||
| کلیدواژهها | ||
| تشخیص بدافزار؛ اندروید؛ بهینهسازی ازدحام ذرات؛ ماشین بردار پشتیبان؛ هسته فازی؛ انتخاب ویژگی | ||
| عنوان مقاله [English] | ||
| A Hybrid Framework for Android Malware Detection Using Improved Particle Swarm Optimization and Fuzzy Kernel Support Vector Machine | ||
| نویسندگان [English] | ||
| Aliakbar Tajari Siahmarzkooh | ||
| Assistant Professor, Department of Computer Sciences, Golestan University, Gorgan, Iran | ||
| چکیده [English] | ||
| This paper introduces a novel and hybrid framework for Android malware detection that integrates an Improved Particle Swarm Optimization (IPSO) algorithm with a Fuzzy Kernel Support Vector Machine (FKSVM). The primary key objective is to address the limitations of traditional methods, such as high feature dimensionality, premature convergence, and the inability to model the inherent uncertainty in malware data set. The IPSO algorithm employs a dynamic inertia weight and a random mutation operator to prevent premature convergence and to select an optimal feature subset. Subsequently, the FKSVM model, utilizing a novel fuzzy kernel, effectively handles data uncertainty. Evaluation of the proposed framework on the CIC-AndMal2020 data set demonstrates that it achieves 99.98% accuracy in binary classification and a very low false alarm rate of 0.01%. These results confirm the framework's superior performance compared to existing methods in terms of accuracy, speed, and robustness against adversarial attacks, validating its overall effectiveness. | ||
| کلیدواژهها [English] | ||
| Malware Detection, Android, Particle Swarm Optimization, Support Vector Machine, Fuzzy Kernel, Feature Selection | ||
|
آمار تعداد مشاهده مقاله: 26 |
||