بهبود دقت تشخیص بدافزار در سیستم عامل اندروید با انتخاب ویژگی مبتنی بر الگوریتم ژنتیک و الگوریتمهای یادگیری ماشین

با توجه به رشد سریع سیستم عامل اندروید و افزایش روز افزون اپلیکیشن ها، تهدیدات امنیتی به ویژه بدافزارهای اندرویدی به یکی از مهم ترین چالش های حوزه امنیت سایبری تبدیل شده است. در این پژوهش رویکردی ترکیبی برای بهبود دقت تشخیص بدافزارهای اندرویدی ارائه گردید که در آن از انتخاب ویژگی مبتنی بر الگوریتم ژنتیک و سپس اعمال مدل های یادگیری ماشین استفاده شد. در مرحله نخست ویژگی های کلیدی از مجموعه داده های مربوط به مجوزها و رفتار اپلیکیشن ها استخراج و با استفاده از الگوریتم ژنتیک بهینه سازی شدند سپس چهار مدل یادگیری ماشین شامل جنگل تصادفی و ماشین بردار پشتیبان بر روی داده های انتخاب شده آموزش داده شدند. نتایج تجربی نشان داد که مدل جنگل تصادفی با دستیابی به دقت ۹۸% و امتیاز F۱ بالا، عملکرد برتری نسبت به مدل ماشین بردار پشتیبان داشته است. یافته های این پژوهش بیانگر آن است که ترکیب انتخاب ویژگی ژنتیک با مدل های یادگیری ماشین می تواند راهکاری کارآمد برای طراحی سامانه های سبک و دقیق در حوزه تشخیص بدافزار اندرویدی باشد.

کلیدواژه ها:

سیستم عامل اندروید ، یادگیری ماشین ، الگوریتم ژنتیک ، جنگل تصادفی ، ماشین بردار پشتیبان ، امنیت سایبری