针对随机森林（RF,random forest）算法的投票原则无法区分强分类器与弱分类器差异的缺陷，提出一种加权投票改进方法，在此基础上，提出一种检测 Android 恶意软件的改进随机森林分类模型（IRFCM,improved random forest classification model）。IRFCM选取AndroidManifest.xml文件中的Permission信息和Intent信息作为特征属性并进行优化选择，然后应用该模型对最终生成的特征向量进行检测分类。Weka 环境下的实验结果表明IRFCM具有较好的分类精度和分类效率。

基于深度学习和机器学习的恶意软件检测算法 内含数据集以及训练预测脚本

基于深度学习的Android恶意软件检测研究与应用.pdf

基于Android内存镜像的恶意软件检测研究.pdf

Android平台恶意软件检测技术的研究.pdf

恶意 JavaScript 代码去混淆和恶意软件检测 用法： 运行 src\main\project\gui\MainGUIFrame.java 或导出的 MALWHERE.jar 以与 GUI 一起使用，或者在 src\main\project\console\CommandLine.java 中使用命令行运行 重要的： 为了运行此应用程序，根目录必须包含“.problem”文件，该文件包含支持向量机创建模型所需的信息。 如果您希望使用新的 JavaScript 文件训练集创建自己的“.problem”，请删除现有的“.problem”文件并将以下内容添加到根目录： 一个名为“training”的目录，有 3 个子目录：“benign_set”、“malicious_set”和“suspicious_set”。 “benign_set”目录应包含已知为良性的所有 JavaScri

基于Android权限信息的恶意软件检测

针对Android平台安全问题，提出了手机端和服务端协作的恶意代码检测方案，手机端应用主要采用基于permission检测技术，实现轻量级的检测。服务端检测系统主要负责对手机端提交的可疑样本进行检测，同时实现了软件行为分析，特征库更新，与手机端同步等功能。其中服务端检测技术包括基于permission检测技术、基于字节码静态检测技术和基于root权限的动态检测技术。实验测试结果表明，3种检测技术能达到较好的检测效果。

基于特征码的恶意软件检测实验

基于灰度图的恶意软件检测方法研究，张弛弘，辛阳，恶意软件威胁着互联网的安全，加强对恶意软件的检测有助于维护良好的网络环境。为了提高对恶意软件的检测效率，本文提出了一种基