← 返回设计浏览

DESIGN PROJECT · 10 IMAGES

基于机器学习的安卓恶意代码静态检测方法研究

系统界面、功能流程与设计成果可视化记录

项目说明

项目在PyCharm中打开Android-Mal-main工程,左侧项目树含data、apktool、batch_disseapble.py、bytecode_extract.py、n_gram.py、op_malware.py、roc2.py等文件。README.md说明op_malware.py用于训练模型并生成混淆矩阵图,roc2.py绘制ROC曲线,batch_disseapble.py调用apktool反汇编Android样本,bytecode_extract.py提取操作码,n_gram.py提取n-gram特征。运行roc2.py后控制台输出accuracy、confusion_matrix、precision、recall、f1_score及十折交叉验证结果。

基于机器学习的安卓恶意代码静态检测方法研究项目截图 1
基于机器学习的安卓恶意代码静态检测方法研究 · 01
基于机器学习的安卓恶意代码静态检测方法研究项目截图 2
基于机器学习的安卓恶意代码静态检测方法研究 · 02
基于机器学习的安卓恶意代码静态检测方法研究项目截图 3
基于机器学习的安卓恶意代码静态检测方法研究 · 03
基于机器学习的安卓恶意代码静态检测方法研究项目截图 4
基于机器学习的安卓恶意代码静态检测方法研究 · 04
基于机器学习的安卓恶意代码静态检测方法研究项目截图 5
基于机器学习的安卓恶意代码静态检测方法研究 · 05
基于机器学习的安卓恶意代码静态检测方法研究项目截图 6
基于机器学习的安卓恶意代码静态检测方法研究 · 06
基于机器学习的安卓恶意代码静态检测方法研究项目截图 7
基于机器学习的安卓恶意代码静态检测方法研究 · 07
基于机器学习的安卓恶意代码静态检测方法研究项目截图 8
基于机器学习的安卓恶意代码静态检测方法研究 · 08
基于机器学习的安卓恶意代码静态检测方法研究项目截图 9
基于机器学习的安卓恶意代码静态检测方法研究 · 09
基于机器学习的安卓恶意代码静态检测方法研究项目截图 10
基于机器学习的安卓恶意代码静态检测方法研究 · 10

END OF PROJECT

继续浏览其他设计 →