[发明专利]一种基于深度学习的Android病毒静态检测方法

权利要求书

1.一种基于深度学习的Android病毒静态检测方法，其特征在于：所述方法的实现过程：

(1)从用户的Android端获取广义权限序列；将每个权限映射为单词，将提取出的权限序列映射为文本中的句子，得到Android平台的应用APK的权限序列；

(2)将获取的权限序列作为黑白二分类模型的输入，将得到Android平台的应用APK的权限序列提取出来，作为分类模型的输入；

(3)如二分类结果为良性软件则直接返回给用户，如果检测的结果为恶意软件，则将它的权限序列再作为家族分类模型的输入；

(4)最终从家族检测模型中获取到预测的病毒家族种类，并返回给用户，检测结束；

所述黑白二分类模型的结构为改进的经典的TextCnn模型，最后的输出层具有两个输出的softmax，TextCnn模型中包含多个卷积核；将输入矩阵和滤波矩阵做内积；

所述家族分类模型的结构为：在黑白二分类模型的结构基础上，将其最后的输出层替换成sigmoid用来作为多标签的分类，将一个多标签的分类问题变成N个二分类的问题，N为家族的数量，

sigmoid函数的表达如下：

表示sigmoid函数，x为上一层的输出本层的输入，表示是否为某家族概率，e表示自然对数的底；

将x值映射到(0,1)之间，再通过不断地训练选取一个阈值作为超参，如果映射出的值超过该超参，则该家族的值为1，否则为0，假设阈值为threshold，输入为x，阈值超参公式如下：

2.根据权利要求1所述的基于深度学习的Android病毒静态检测方法，其特征在于：所述黑白二分类模型的参数为：黑白二分类模型的卷积核的个数为3个，大小分别为3、4和5；黑白二分类模型训练的学习率为0.0001,Dropout的值设置为0.5。

3.根据权利要求2所述的基于深度学习的Android病毒静态检测方法，其特征在于：所述家族分类模型的参数为：家族分类模型的卷积核的个数为3个，大小分别为3、4和5；Dropout的值设置为0.5,Threshold设定为0.55；家族分类模型训练的学习率为梯度下降学习率，具体为，前500轮的学习率为0.0001,501至1000轮的学习率为0.00001，1001至1500轮的学习率为0.000001。