CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بهبود تشخیص بدافزارهای موبایل مبتنی بر سیستم عامل اندروید با روش های یادگیری عمیق

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۵ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: EMCE04_127
زبان مقاله: فارسی
حجم فایل: ۷۲۳.۳۲ کیلوبایت (فایل این مقاله در ۱۲ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۲ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۲ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود تشخیص بدافزارهای موبایل مبتنی بر سیستم عامل اندروید با روش های یادگیری عمیق

  ندا معینی - دانشگاه خاتم، گروه مهندسی کامپیوتر،
  بابک مجیدی - دانشگاه خاتم، گروه مهندسی کامپیوتر،
    علی موقر - دانشگاه صنعتی شریف، گروه مهندسی کامپیوتر،

چکیده مقاله:

امروزه گوشی های هوشمند به نیاز ضروری در زندگی روزمره تبدل شده اند. سیستم عامل اندروید در سال های اخیر از محبوب ترین سیستم عامل های موبایلی شده است. با این حال با توجه به خاصیت متن باز بودن سیستم عامل اندروید، بدافزارهای زیادی در میان نرم افزارها در بازارهای اندروید پنهان شده اند که امنیت آن را با خطر جدی مواجه کرده است. یادگیری عمیق یک حوزه جدید از تحقیقات یادگیری ماشین است که در هوش مصنوعی توجه بیشتری به خود جلب کرده است. ما در این پژوهش با استفاده از ویژگی های استخراج شده از تحلیل های ایستا و پویا و ترکیب این ویژگی ها، یک روش ترکیبی با استفاده از الگوریتم های یادگیری ماشین بردار پشتیبان، جنگل های تصادفی و شبکه باور عمیق برای تشخیص بدافزارهای اندرویدی ارائه دادیم و با توجه به آزمایشات و اریزابی انجام شده با استفاده از سامانه تشخیص مبتنی بر یادگیری عمیق به دقت 98/82 درصدی دست ایفتیم که نسبت به کارهای انجام شده در این حوزه و همچنین نسبت به سایر روش های سنتی یادگیری ماشین عملکرد بهتری دارد.

کلیدواژه‌ها:

یادگیری عمیق، تشخیص بدافزار های اندرویدی، امنیت اندروید، بدافزار

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-EMCE04-EMCE04_127.html
کد COI مقاله: EMCE04_127

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
معینی, ندا؛ بابک مجیدی و علی موقر، ۱۳۹۷، بهبود تشخیص بدافزارهای موبایل مبتنی بر سیستم عامل اندروید با روش های یادگیری عمیق، چهارمین کنفرانس ملی تحقیقات کاربردی در مهندسی برق،مکانیک،کامپیوتر و فناوری اطلاعات، شیراز، دانشگاه تخصصی فناوری های نوین آمل، https://www.civilica.com/Paper-EMCE04-EMCE04_127.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (معینی, ندا؛ بابک مجیدی و علی موقر، ۱۳۹۷)
برای بار دوم به بعد: (معینی؛ مجیدی و موقر، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: ۲۳۷
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.