基于CBAM-CGRU-SVM的Android恶意软件检测方法

随着Android恶意软件的种类和数量不断增多，检测恶意软件以保护系统安全和用户隐私变得越来越重要。针对传统的恶意软件检测模型分类准确率较低的问题，提出一种基于卷积神经网络(CNN)、门控循环单元(GRU)和支持向量机(SVM)的模型CBAM-CGRU-SVM。首先，在CNN中添加卷积块注意力模块(CBAM)以学习更多恶意软件的关键特征；其次，利用GRU进一步提取特征；最后，为了解决图像分类时模型泛化能力不足的问题，使用SVM代替softmax激活函数作为模型的分类函数。实验使用了Malimg公开数据集，该数据集将恶意软件数据图像化作为模型输入。实验结果表明，CBAM-CGRU-SVM模型分类准确率达到94.73%，能够更有效地对恶意软件家族进行分类。