信息技术与软件工程杂志
开放获取

抽象的

用于识别 iOS 恶意软件的机器学习

丽莎·安吉丽娜

智能手机已经成为我们日常生活中不可或缺的一部分。智能手机几乎完全被视为社会、政治和经济层面上的通信工具、信息来源和快乐来源。信息和网络安全的快速发展要求人们特别关注智能手机数据的隐私和安全。间谍软件检测系统最近被创建为智能手机用户隐私保护的潜在且有吸引力的选择。由于Android操作系统是世界上最常用的操作系统，因此它是各种有兴趣攻击智能手机用户隐私的组织的主要目标。这项研究提出了一个在现实环境中收集的独特数据集，使用基于统一活动列表的新颖数据收集方法。

 

数据分为三类；常规智能手机流量、间谍软件安装过程的流量数据以及间谍软件运行流量数据。使用随机森林分类方法来验证该数据集和建议的模型。对于数据分类，使用两种方法：二元分类和多类分类。在精度方面，取得了良好的效果。二分类的总平均准确率为 79%，多分类的总平均准确率为 77%。