[发明专利]一种基于机器学习的恶意应用监测方法和设备

权利要求书

1.一种基于机器学习的恶意应用监测方法，其特征在于，包括以下步骤：

S101、提取样本集中应用程序的应用特征和恶意标记，样本集中包括恶意应用样本与非恶意应用样本；

S102、将提取的应用特征和恶意标记映射至向量空间，获得与样本集中应用程序对应的向量集合；

S103、基于机器学习训练决策模型，以及将上述向量集合用于训练决策模型；

S104、将训练得到的决策模型用于检测应用程序是否为恶意应用。

2.根据权利要求1所述的方法，其特征在于，在基于机器学习训练决策模型之前，还包括：

使用降维方法对向量集合进行降维。

3.根据权利要求1所述的方法，其特征在于，所述应用特征包括应用程序声明的应用权限和调用的接口。

4.根据权利要求1所述的方法，其特征在于，所述应用程序为安卓应用程序，所述应用特征包括安卓应用程序通过AndroidManifest.xml和/或classes.dex声明的应用权限和调用的接口。

5.根据权利要求1所述的方法，其特征在于，所述将提取的应用特征和恶意标记映射至向量空间，包括：

将恶意标记映射至向量空间时，根据恶意标记的取值，设置向量对应维度的值；

恶意标记的取值指示该应用程序是否是恶意程序，在该应用程序是恶意程序时，恶意标记还指示该应用程序所属的恶意程序类型。

6.根据权利要求1所述的方法，其特征在于，所述样本集包括训练集合测试集；

所述基于机器学习训练决策模型，以及将上述向量集合用于训练决策模型，包括：

使用训练集对应的向量集合训练决策模型，使用测试集检测决策模型的分类效果。

7.根据权利要求1所述的方法，其特征在于，所述机器学习方法为随机森林方法，所述基于机器学习训练决策模型包括训练决策模型直到随机森林算法产生的决策模型满足预设条件。

8.根据权利要求1所述的方法，其特征在于，所述S104、将训练得到的检测模型决策模型用于检测应用程序是否为恶意应用，包括：

将训练模型用于检测应用程序的恶意应用类型。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一所述方法的步骤。

10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一所述方法的步骤。