目前针对未知的Android恶意应用可以采用机器学习算法进行检测,但传统的机器学习算法具有少于三层的计算单元,无法充分挖掘Android应用程序特征深层次的表达。文中首次提出了一种基于深度学习的算法DDBN(Data-flow Deep Belief Network)...目前针对未知的Android恶意应用可以采用机器学习算法进行检测,但传统的机器学习算法具有少于三层的计算单元,无法充分挖掘Android应用程序特征深层次的表达。文中首次提出了一种基于深度学习的算法DDBN(Data-flow Deep Belief Network)对Android应用程序数据流特征进行分析,从而检测Android未知恶意应用。首先,使用分析工具Flow Droid和SUSI提取能够反映Android应用恶意行为的静态数据流特征;然后,针对该特征设计了数据流深度学习算法DDBN,该算法通过构建深层的模型结构,并进行逐层特征变换,将数据流在原空间的特征表示变换到新的特征空间,从而使分类更加准确;最后,基于DDBN实现了Android恶意应用检测工具Flowdect,并对现实中的大量安全应用和恶意应用进行检测。实验结果表明,Flowdect能够充分学习Android应用程序的数据流特征,用于检测未知的Android恶意应用。通过与其他基于传统机器学习算法的检测方案对比, DDBN算法具有更优的检测效果。展开更多
信号调制识别是无线电领域的重要技术,在无线通信和频谱资源优化等领域中具有广泛应用,有效的调制识别方法对于未知信号的分析认证具有重要意义。文章提出了一种基于信号序列的调制识别方法,通过BiLSTM网络对信号的频域和时域序列数据...信号调制识别是无线电领域的重要技术,在无线通信和频谱资源优化等领域中具有广泛应用,有效的调制识别方法对于未知信号的分析认证具有重要意义。文章提出了一种基于信号序列的调制识别方法,通过BiLSTM网络对信号的频域和时域序列数据进行特征提取,并采用Attention机制对特征进行加权处理,最终利用S of tmax完成调制分类。通过在公开数据集RML2016.10.a上进行对比实验,证明了该方法的有效性。展开更多
文摘信号调制识别是无线电领域的重要技术,在无线通信和频谱资源优化等领域中具有广泛应用,有效的调制识别方法对于未知信号的分析认证具有重要意义。文章提出了一种基于信号序列的调制识别方法,通过BiLSTM网络对信号的频域和时域序列数据进行特征提取,并采用Attention机制对特征进行加权处理,最终利用S of tmax完成调制分类。通过在公开数据集RML2016.10.a上进行对比实验,证明了该方法的有效性。
