జర్నల్ ఆఫ్ ఇన్ఫర్మేషన్ టెక్నాలజీ & సాఫ్ట్వేర్ ఇంజనీరింగ్

జర్నల్ ఆఫ్ ఇన్ఫర్మేషన్ టెక్నాలజీ & సాఫ్ట్వేర్ ఇంజనీరింగ్
అందరికి ప్రవేశం

ISSN: 2165- 7866

నైరూప్య

iOS మాల్వేర్‌ను గుర్తించడం కోసం మెషిన్ లెర్నింగ్

లిసా ఏంజెలీనా

స్మార్ట్‌ఫోన్‌లు మన దైనందిన జీవితంలో ఒక అనివార్యమైన అంశంగా మారిపోయాయి. స్మార్ట్‌ఫోన్‌లు దాదాపు పూర్తిగా కమ్యూనికేషన్ సాధనంగా, సమాచార వనరుగా మరియు సామాజిక, రాజకీయ మరియు ఆర్థిక స్థాయిలో ఆనందానికి మూలంగా ఆధారపడి ఉంటాయి. సమాచారం మరియు సైబర్ భద్రతలో వేగవంతమైన పురోగతి స్మార్ట్‌ఫోన్ డేటా యొక్క గోప్యత మరియు భద్రతపై ప్రత్యేక శ్రద్ధను తప్పనిసరి చేసింది. స్పైవేర్ డిటెక్షన్ సిస్టమ్‌లు ఇటీవల స్మార్ట్‌ఫోన్ వినియోగదారుల గోప్యతా రక్షణ కోసం సంభావ్య మరియు ఆకర్షణీయమైన ఎంపికగా సృష్టించబడ్డాయి. ఆండ్రాయిడ్ ఆపరేటింగ్ సిస్టమ్ ప్రపంచంలో సర్వసాధారణంగా ఉపయోగించబడుతున్నందున, స్మార్ట్‌ఫోన్ వినియోగదారుల గోప్యతపై దాడి చేయడానికి ఆసక్తి ఉన్న వివిధ సమూహాలకు ఇది ప్రధాన లక్ష్యం. ఈ పరిశోధన ఏకీకృత కార్యాచరణ జాబితా ఆధారంగా నవల డేటా సేకరణ విధానాన్ని ఉపయోగించి వాస్తవిక సెట్టింగ్‌లో సేకరించిన ప్రత్యేకమైన డేటాసెట్‌ను అందిస్తుంది.

 

డేటా మూడు వర్గాలుగా విభజించబడింది; రెగ్యులర్ స్మార్ట్‌ఫోన్ ట్రాఫిక్, స్పైవేర్ ఇన్‌స్టాలేషన్ విధానం కోసం ట్రాఫిక్ డేటా మరియు స్పైవేర్ ఆపరేటింగ్ ట్రాఫిక్ డేటా. ఈ డేటాసెట్ మరియు సూచించబడిన మోడల్‌ని ధృవీకరించడానికి యాదృచ్ఛిక అటవీ వర్గీకరణ విధానం ఉపయోగించబడింది. డేటా వర్గీకరణ కోసం, రెండు విధానాలు ఉపయోగించబడ్డాయి: బైనరీ-క్లాస్ వర్గీకరణ మరియు బహుళ-తరగతి వర్గీకరణ. ఖచ్చితత్వం పరంగా, మంచి ఫలితాలు వచ్చాయి. బైనరీ-క్లాస్ వర్గీకరణ కోసం మొత్తం సగటు ఖచ్చితత్వం 79% మరియు బహుళ-తరగతి వర్గీకరణ కోసం 77%.

నిరాకరణ: ఈ సారాంశం కృత్రిమ మేధస్సు సాధనాలను ఉపయోగించి అనువదించబడింది మరియు ఇంకా సమీక్షించబడలేదు లేదా ధృవీకరించబడలేదు.
Top