| Titre : | Android malware detection: Feature Extraction Issue |
| Auteurs : | Mebarka Yahlali, Auteur ; Aouissi Mohamed Elamine, Auteur ; Boufenik Omrane, Auteur |
| Type de document : | texte imprimé |
| Année de publication : | 2024 |
| Note générale : |
La croissance diversifiée des logiciels malveillants Android au cours des dernières années a conduit à des recherches
approfondies dans le domaine de l'analyse et de la détection des logiciels malveillants, et des théories issues d'un large éventail de domaines de connaissances scientifiques ont été appliquées pour résoudre ce problème. Les algorithmes du paradigme d'apprentissage automatique ont été particulièrement explorés, et plusieurs extractions de fonctionnalités telles que Analyse en composantes principales (PCA), Décomposition en valeurs singulières (SVD), Analyse en composants indépendants (ICA), PCA du noyau (KPCA) et des méthodes de sélection de fonctionnalités telles que as mutuelle Information (MI) ont été proposés pour représenter les logiciels malveillants comme vecteurs de fonctionnalités à utiliser dans les algorithmes d'apprentissage automatique. Dans cet article, nous présentons une comparaison entre plusieurs techniques d’extraction de caractéristiques. Lors de l'examen des résultats, il a été noté que les techniques de réduction de dimensionnalité ont un impact positif sur les performances de classification en général, en particulier les méthodes d'extraction individuelles telles que l'analyse en composants indépendants (ICA), la PCA du noyau (KPCA). |
| Langues: | Français |
| Mots-clés: | Android, extraction de fonctionnalités, sélection de fonctionnalités, ACP, SVD, ICA, KPCA, MI, réduction de dimensionnalité, apprentissage automatique |
| Résumé : |
La croissance diversifiée des logiciels malveillants Android au cours des dernières années a conduit à des recherches
approfondies dans le domaine de l'analyse et de la détection des logiciels malveillants, et des théories issues d'un large éventail de domaines de connaissances scientifiques ont été appliquées pour résoudre ce problème. Les algorithmes du paradigme d'apprentissage automatique ont été particulièrement explorés, et plusieurs extractions de fonctionnalités telles que Analyse en composantes principales (PCA), Décomposition en valeurs singulières (SVD), Analyse en composants indépendants (ICA), PCA du noyau (KPCA) et des méthodes de sélection de fonctionnalités telles que as mutuelle Information (MI) ont été proposés pour représenter les logiciels malveillants comme vecteurs de fonctionnalités à utiliser dans les algorithmes d'apprentissage automatique. Dans cet article, nous présentons une comparaison entre plusieurs techniques d’extraction de caractéristiques. Lors de l'examen des résultats, il a été noté que les techniques de réduction de dimensionnalité ont un impact positif sur les performances de classification en général, en particulier les méthodes d'extraction individuelles telles que l'analyse en composants indépendants (ICA), la PCA du noyau (KPCA). |
| Note de contenu : |
Chapter I : Mobile By Android
ChapterII: Feature Extraction Chapter III: Contribution and Implementation |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| sct02159 | T,I,MS00727 | thèses | Emprunt | 10 | Libre accès Disponible |
Documents numériques (1)
Android malware detection: Feature Extraction Issue Adobe Acrobat PDF |
