对A Multimodal Deep Learning Method for Android Malware Detection Using Various Features的简单理解

**

对A Multimodal Deep Learning Method for Android Malware Detection Using Various Features的简单理解

**
核心技术：
从各种方面对安卓软件的特性进行细分，然后基于相似性对特性进行划分，在恶意软件检测中实现了对有效的特征表示。同时，提出了一种基于多模式深度学习的恶意软件检测模型。

该技术先对软件动态分析，对模糊恶意软件进行再处理，重点研究了一种基于静态分析的恶意软件与正常软件之间的区别方法。该检测方法是基于各种静态特征之上。而且该技术可以灵活的添加特征类型。
模糊恶意软件：我的理解是有可能是恶意软件的软件。
————在此之前的静态特征都是有限的，此处为一突破————
（动态与静态分析方法在之前文章有提过）

此框架首先提取出被检测目标的特征，然后使用该技术的特征向量生成方法对特征进行细化。
（特征向量生成方法–>基于存在性和相似性）而且在该框架中也使用了基于重要性的分类模型对特征进行分类。在分类模型中使用了多模态深度学习方法（使用神经网络来反映不同特征的特性），以适应不同性质的特征。
如：利用语音信息和嘴形信息来识别人类语音，采用了多模态深度学习方法。输入不同类型的信息，分别在不同的初始神经网络中进行处理，并将每个初始神经网络连接到最终的神经网络，产生分类结果。

Contributions：

1.提出了一种新的android恶意软件检测框架，该框架能够反映android应用程序多种特点。
2.提出了一种特征向量生成方法，能够高效的表示出恶意软件的特征，即使其与正常软件有着极高的相似度。
3.介绍了多模态神经网络如何在恶意软件检测系统中使用，也是在此领域中的首次使用。在其中有用于恶意软件检测的模型学习策略的技术。

应用步骤：
1.输入原始数据。
2.特征提取。
3.生成特征向量，并将特征向量输入神经网络中检测。
4.检测结果。

以下是该技术的过程图：

OK，以上。