ترجمه فارسی مقاله تشخیص بدافزار اندروید بر اساس تصاویر RGB و Fusion چند ویژگی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Android Malware Detection Based on RGB Images and Multi-feature Fusion
عنوان مقاله به فارسی تشخیص بدافزار اندروید بر اساس تصاویر RGB و Fusion چند ویژگی
نویسندگان Zhiqiang Wang, Qiulong Yu, Sicheng Yuan
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Cryptography and Security,Machine Learning,رمزنگاری و امنیت , یادگیری ماشین ,
توضیحات Submitted 29 August, 2024; originally announced August 2024. , Comments: 9 pages,10 figures
توضیحات به فارسی ارسال شده 29 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 9 صفحه ، 10 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

With the widespread adoption of smartphones, Android malware has become a significant challenge in the field of mobile device security. Current Android malware detection methods often rely on feature engineering to construct dynamic or static features, which are then used for learning. However, static feature-based methods struggle to counter code obfuscation, packing, and signing techniques, while dynamic feature-based methods involve time-consuming feature extraction. Image-based methods for Android malware detection offer better resilience against malware variants and polymorphic malware. This paper proposes an end-to-end Android malware detection technique based on RGB images and multi-feature fusion. The approach involves extracting Dalvik Executable (DEX) files, AndroidManifest.xml files, and API calls from APK files, converting them into grayscale images, and enhancing their texture features using Canny edge detection, histogram equalization, and adaptive thresholding techniques. These grayscale images are then combined into an RGB image containing multi-feature fusion information, which is analyzed using mainstream image classification models for Android malware detection. Extensive experiments demonstrate that the proposed method effectively captures Android malware characteristics, achieving an accuracy of up to 97.25%, outperforming existing detection methods that rely solely on DEX files as classification features. Additionally, ablation experiments confirm the effectiveness of using the three key files for feature representation in the proposed approach.

چکیده به فارسی (ترجمه ماشینی)

با پذیرش گسترده تلفن های هوشمند ، بدافزار Android در زمینه امنیت دستگاه تلفن همراه به یک چالش مهم تبدیل شده است.روشهای فعلی تشخیص بدافزار اندرویدی اغلب برای ساخت ویژگی های پویا یا استاتیک به مهندسی ویژگی متکی هستند ، که سپس برای یادگیری استفاده می شوند.با این حال ، روشهای مبتنی بر ویژگی استاتیک برای مقابله با کد ، بسته بندی و تکنیک های امضاء تلاش می کنند ، در حالی که روش های مبتنی بر ویژگی پویا شامل استخراج ویژگی های وقت گیر است.روشهای مبتنی بر تصویر برای تشخیص بدافزار Android ، مقاومت بهتری در برابر انواع بدافزار و بدافزار چند شکل ارائه می دهد.در این مقاله یک تکنیک تشخیص بدافزار اندرویدی نهایی بر اساس تصاویر RGB و همجوشی چند منظوره ارائه شده است.این رویکرد شامل استخراج پرونده های اجرایی Dalvik (DEX) ، فایلهای AndroidManifest.xml و تماس های API از پرونده های APK ، تبدیل آنها به تصاویر با مقیاس خاکستری و تقویت ویژگی های بافت آنها با استفاده از تشخیص لبه کنسرو ، تساوی هیستوگرام و تکنیک های آستانه سازگار است.این تصاویر با مقیاس خاکستری سپس در یک تصویر RGB حاوی اطلاعات فیوژن چند منظوره ترکیب می شوند ، که با استفاده از مدل های طبقه بندی تصویر اصلی برای تشخیص بدافزار Android مورد تجزیه و تحلیل قرار می گیرد.آزمایش های گسترده نشان می دهد که روش پیشنهادی به طور موثری ویژگی های بدافزار اندرویدی را ضبط می کند ، و به دقت حداکثر 97.25 ٪ دست می یابد ، و از روشهای تشخیص موجود که صرفاً به پرونده های DEX متکی هستند ، بهتر است.علاوه بر این ، آزمایش های فرسایش اثربخشی استفاده از سه پرونده کلیدی برای بازنمایی ویژگی در رویکرد پیشنهادی را تأیید می کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.