移动式计算机中恶意软件感染预测分析.pdfVIP

2024年软件2024

第45卷第2期SOFTWAREVol.45,No.2

设计研究与应用

移动式计算机中恶意软件感染预测分析

彭秋华

（湖南省澧县职业中专学校，湖南常德415500）

摘 要：随着移动计算技术的快速发展，智能手机和平板电脑等移动设备已成为人们日常生活中不可或缺的一部分，也因

此成为恶意软件攻击的新目标。本研究提出一种基于深度学习的恶意软件感染预测模型，采用卷积神经网络（CNN）进行恶意

软件的特征提取和预测。研究方法包括数据预处理、模型训练和验证以及结果的评估。数据集来源于公开恶意软件库和网络安

全公司的实际感染数据。实验结果表明，该模型在准确率、召回率、精确率和F1得分等多个指标上表现良好，显示出在处理

大规模数据集和识别新型恶意软件方面的潜力。研究成果不仅提升了移动式计算机恶意软件预测的准确性，也为移动计算安全

领域的理论和实践提供了重要贡献。

关键词：移动式计算机；恶意软件；预测分析；深度学习；卷积神经网络(CNN)

中图分类号：TP393.08 文献标识码：A DOI：10.3969/j.issn.1003-6970.2024.02.031

本文著录格式：彭秋华.移动式计算机中恶意软件感染预测分析[J].软件,2024,45(02):120-122

PredictionandAnalysisofMaliciousSoftwareInfectioninMobileComputers

PENGQiuhua

(HunanLixianVocationalSchool,ChangdeHunan415500)

【Abstract】：With the rapid development of mobile computing technology, mobile devices such as smartphones

and tablets have become an indispensable part of peoples daily lives, as a result, they have become new targets

for malware attacks. This study proposes a deep learning based malware infection prediction model, which uses

convolutional neural networks (CNN) for feature extraction and prediction of malware. The research methods

include data preprocessing, model training and validation, and evaluation of results. The dataset is sourced from

publicly available malware repositories and actual infection data from cybersecurity companies. The experimental

results show that the model performs well in multiple indicators such as accuracy, recall, precision, and F1

score, demonstrating its potential in processing large-scale datasets and identifying new types of malware. The

res