基于机器学习的恶意软件检测方法、装置、存储介质制造方法及图纸

本申请公开了一种基于机器学习的恶意软件检测方法、装置、存储介质。基于机器学习的恶意软件检测方法包括：获取待检测软件的配置文件,所述配置文件为XML文件；提取所述配置文件中的特征数据；根据所述特征数据生成特征向量；将所述特征向量输入到已构建的分类模型；接收所述分类模型根据所述特征向量输出的分类结果。通过获取待检测软件中的配置文件，对配置文件中的数据信息进行处理后，使用分类模型进行分类，得到分类结果，从而判断待检测软件是否为恶意软件，在不需要代码逆向的条件下具有较高的检测准确性。

【技术实现步骤摘要】
基于机器学习的恶意软件检测方法、装置、存储介质
本申请涉及恶意软件监测领域，尤其是涉及一种基于机器学习的恶意软件检测方法、装置、存储介质。
技术介绍
安卓系统是当下使用范围较广的一种开源的操作系统，但由于其应用程序不需要经过任何审查就可以上传到市场上，供用户下载使用，因此存在着更高的安全风险，很多恶意软件会利用移动设备获取用户资料，或者进行恶意扣费和系统破坏。相关技术中，在恶意软件的静态检测方法中，有基于代码逆向的检测方式，此种方法需逆向classes.dex后分析程序代码，比如通过入口函数对软件进行代码分析，生成敏感系统调用序列，但如果恶意软件中增加防逆向代码保护措施，就会导致获取不到软件代码，无法进行有效识别。
技术实现思路
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种基于机器学习的恶意软件检测方法，不需要进行代码逆向，就可以对恶意软件进行识别。根据本申请的第一方面实施例的基于机器学习的恶意软件检测方法，包括：获取待检测软件的配置文件,所述配置文件为XML文件；提取所述配置文件中的特征数据本文档来自技高网...

【技术保护点】
1.基于机器学习的恶意软件检测方法，其特征在于，包括：/n获取待检测软件的配置文件,所述配置文件为XML文件；/n提取所述配置文件中的特征数据；/n根据所述特征数据生成特征向量；/n将所述特征向量输入到已构建的分类模型；/n接收所述分类模型根据所述特征向量输出的分类结果。/n

【技术特征摘要】
1.基于机器学习的恶意软件检测方法，其特征在于，包括：
获取待检测软件的配置文件,所述配置文件为XML文件；
提取所述配置文件中的特征数据；
根据所述特征数据生成特征向量；
将所述特征向量输入到已构建的分类模型；
接收所述分类模型根据所述特征向量输出的分类结果。


2.根据权利要求1所述的基于机器学习的恶意软件检测方法，其特征在于，所述特征数据至少包括以下两种数据：使用权限数据、Activity数据、Service数据、Receiver数据。


3.根据权利要求1所述的基于机器学习的恶意软件检测方法，其特征在于，所述根据所述特征数据生成特征向量，具体为：
将所述特征数据中的干扰特征进行去除，得到所述特征向量。


4.根据权利要求1所述的基于机器学习的恶意软件检测方法，其特征在于，所述特征向量为采用哈希算法得到的哈希值。


5.根据权利要求1所述的基于机器学习的恶意软件检测方法，其特征在于，还包括：构建所述分类模型，具体包括：
基于聚类算法对所述特征向量进行分类，得到分类数据集；
对所述分类数据集进行降维，得到特征数据集；
通过线性分类算法处理所述特征数据集，得...

【专利技术属性】
技术研发人员：胡铁，熊瑛，杨颖，
申请(专利权)人：卓望数码技术深圳有限公司，
类型：发明
国别省市：广东;44