29、安卓恶意软件分析：勒索软件与短信欺诈的研究

安卓恶意软件分析：勒索软件与短信欺诈的研究

1. 勒索软件的分析

1.1 机器学习算法区分勒索软件的效果

为了评估机器学习算法在区分勒索软件和其他形式恶意软件方面的有效性，进行了相关测试。以下是不同特征集下的最佳分类器及其性能指标：
| 特征集 | 最佳分类器 | AUC | 精度 | 召回率 | F1 | FPR | FNR |
| — | — | — | — | — | — | — | — |
| API 包 | XGBoost | 0.8075 | 0.8135 | 0.7921 | 0.8027 | 0.1865 | 0.2043 |
| 静态 (S) | XGBoost | 0.7739 | 0.7652 | 0.7926 | 0.7787 | 0.2348 | 0.2165 |
| 动态 (D) | RF | 0.6756 | 0.6395 | 0.6739 | 0.6563 | 0.3605 | 0.3470 |
| S + D | GBDT | 0.7949 | 0.7977 | 0.7827 | 0.7901 | 0.2023 | 0.2151 |
| API + S + D | GBDT | 0.8209 | 0.8088 | 0.8172 | 0.8129 | 0.1912 | 0.1856 |
| TSG | RF | 0.7097 | 0.7110 | 0.7097 | 0.7104 | 0.2890 | 0.2917 |
| LM | RF | 0.7443 | 0.7611 | 0.5992 | 0.6705 | 0.2389 | 0.3328 |
| FC | SV