An optimized Stacking Ensemble Framework for Malware Detection Using XGBoost and Random Forest

تتعرض أجهزة Android بشكل متزايد لهجمات البرمجيات الضارة بسبب انتشارها الواسع وطبيعة نظامها المفتوح. تواجه أساليب الكشف التقليدية المعتمدة على التواقيع صعوبة في مواجهة التهديدات الحديثة والمتطورة، مما يستدعي استخدام أساليب ذكية تعتمد على التعلم الآلي. تقدم هذه الدراسة إطارًا محسّنًا لتصنيف البرمجيات الضارة على أجهزة Android، يجمع بين XGBoost وRandom Forest لاختيار الميزات، مع استخدام تقنية التجميع Stacking Ensemble. تم معالجة مجموعة بيانات CICMalDroid 2020 من خلال إزالة القيم الشاذة، التحجيم القوي، التحويل الثنائي، وموازنة الفئات باستخدام SMOTE. أظهرت النتائج التجريبية أن إطار التجميع Stacking Ensemble حقق أفضل أداء للكشف، حيث بلغ معدل الدقة 98.14%، وF1-score 93.62%، وROC-AUC 99.63%، متفوقًا على النماذج الفردية. كما ساهم استخدام Random Forest لاختيار الميزات في تحسين الكفاءة الحسابية وتقليل أوقات التدريب والاختبار. تؤكد هذه النتائج أن دمج تقنيات التعلم الآلي المتقدمة يعزز فعالية وكفاءة كشف البرمجيات الضارة على أجهزة Android.