اندروید، سیستم عاملی متن باز با سهم بازار گسترده، یکی از اهداف اصلی توسعه دهندگان بدافزار است. افزایش تنوع دستگاههای مبتنی بر اندروید و پیچیدگی روزافزون بدافزارها، شناسایی آنها را به چالشی جدی تبدیل کرده است. در این پژوهش، روشی مبتنی بر یادگیری عمیق برای تشخیص بدافزارها ارائه شده که از تحلیل ایستا بهره می برد. این روش با تبدیل بایت کدهای خام برنامه ها به سیگنال های صوتی، استخراج اطلاعات مهم از این سیگنال ها و آموزش یک مدل با کمک یادگیری انتقالی، به صحت %99.3 و دقت %99.8 رسید. با تکیه بر نگاشت بایت کدهای خام به حوزه صوت، عالاوه بر ایجاد دیدگاه جعبه سیاه گونه، پیچیدگی محاسباتی کاهش و دقت شناسایی افزایش پیدا کرد. یکی از نوآورریهای این روش که آن را مناسب استفاده در کاربردهای صنعتی و بازارهای اندرویدی کرده است، قابلیت آن در تشخیص بدافزارهای مبهم شده و عملکرد موفق آن در این زمینه است که یکی از چالشهای اساسی در حوزه تشخیص بدافزارهای اندرویدی میباشد

کلمات کلیدی