مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 4 2026 3 23 A Dimensionality Reduction Approach Based on Deep Learning and Black-Winged Kite Algorithm for Android Malware Detection یک رویکرد کاهش ابعاد مبتنی بر يادگیری عمیق و الگوریتم كوركور بال سياه برای تشخیص بدافزار اندروید 219 232 fa محسن اقبالی دانشگاه آزاد اسلامی واحد میبد محمدرضا ملاخليلی ميبدی دانشگاه آزاد اسلامي واحد ميبد کمال میرزایی دانشگاه آزاد اسلامی واحد میبد 2024 5 6 Today, with the increase in mobile devices, malware has also spread to the Android platform. These malware are written in more complex ways that are difficult to detect. Machine learning and deep learning methods are used to detect them because they can identify complex malware patterns. One challenge in malware detection with machine learning and deep learning methods is the high dimensionality of training samples. In this paper, a binary version of the Black-winged kite (BKA) algorithm is presented to reduce the dimensionality of training samples for the detection of Android malware. In the proposed method, the first stage extracts malware features using the BKA algorithm, which are then fed to the LSTM neural network. The LSTM's role is to classify Android malware samples as benign or malignant. To improve LSTM accuracy, its meta-parameters are also optimized using an Arithmetic optimization algorithm (AOA). Experiments on the CICandMal2017 dataset showed that the proposed method achieved accuracies of 98.63%, 98.29%, and 97.48% for accuracy, sensitivity, and precision, respectively. In the proposed approach, when balancing is performed using the GAN method on the CICandMal2017 dataset, the average accuracy, sensitivity, and precision of the proposed method increase to 99.62%, 98.93%, and 98.52%, respectively. Experiments show that the proposed method is more accurate at detecting malware than dimensionality-reduction methods such as WOA, HHO, and AVOA. The proposed method is about 16.4% more accurate than the LSTM neural network. امروزه با افزایش تعداد دستگاه&zwnj;های تلفن همراه، بدافزارهای مخرب برای پلتفرم اندروید نیز گسترش&zwnj;یافته&zwnj;اند. این بدافزارها با روش&zwnj;های پیچیده&zwnj;تری نوشته&zwnj;شده&zwnj;اند که تشخیص آنها دشوار است. برای تشخیص آنها از روش&zwnj;های یادگیری ماشین و یادگیری عمیق استفاده &zwnj;می&zwnj;شود زیرا توانایی تشخیص الگوهای پیچیده بدافزار را دارند. یکی از چالشهای تشخیص بدافزار با روش&zwnj;های یادگیری ماشین و یادگیری عمیق، ابعاد زیاد نمونههای آموزشی است. در این مقاله برای کاهش دادن ابعاد نمونههای آموزشی در تشخیص بدافزارهای اندروید یک نسخه دودویی از الگوریتم كوركور بال سياه ارایه&zwnj; میشود. در روش پیشنهادی در مرحله اول با الگوریتم كوركور بال سياه، ویژگیهای بدافزار استخراج&zwnj; میشود و این ویژگیها تحویل شبکه عصبی LSTM میشود. نقش LSTM طبقهبندی نمونهها به بدافزار و نرمافزار در اندروید است. برای افزایش دقت  LSTM فراپارامترهای آن با استفاده از الگوریتم بهینهسازی محاسبات ریاضی نیز بهینهسازی &zwnj;میشود. آزمایش&zwnj;ها در مجموعه&zwnj;داده 2017CICandMal نشان&zwnj;داد دقت، حساسیت و صحت روش پیشنهادی به ترتیب 63/98%، 29/98% و 48/97% است. در رویکرد پیشنهادی اگر از متعادل&zwnj;سازی با روش GAN برای مجموعه&zwnj;داده 2017CICandMal استفاده&zwnj;شود آنگاه متوسط دقت، حساسیت و صحت روش پیشنهادی به مقادیر 62/99%، 93/98% و 52/98% افزایش&zwnj;داده&zwnj; میشود. آزمایش&zwnj;ها نشان&zwnj;میدهد که روش پیشنهادی نسبت به روش&zwnj;های کاهش ابعاد نظیر الگوریتم بهینهسازی وال، الگوریتم بهینهسازی شاهین و الگوریتم بهینهسازی کرکس دقت بیشتری در تشخیص بدافزار دارد. روش پیشنهادی نسبت به شبکه عصبی LSTM دقت بیشتری در حدود 16/4 درصد دارد.

http://ijece.org/fa/Article/Download/46626