在安卓恶意软件日益复杂的背景下，深度学习模型的应用变得愈发重要。然而，强大的检测模型往往会快速消耗设备电池，导致安全性与能耗之间的矛盾。本研究测试了不同的多层感知机（MLP）模型配置，以平衡恶意软件检测性能与能效。我们比较了标准的FP32模型与经过优化的INT8量化神经网络，使用TUANDROMD和DREBIN数据集评估分类性能与能耗。结果表明，INT8量化使模型大小减少约3.5倍，推理能耗降至0.0189 mJ，同时保持超过99.2%的检测准确率。我们发现，浅层量化网络（如3层和4层QNN）通过提高吞吐量及缩短CPU高功耗状态下的运行时间，显著降低了能耗。本研究表明，在资源受限的智能手机上可以实现高效的恶意软件防护，为移动安全中的绿色AI奠定了基础。
博主点评： 本文通过量化技术有效地平衡了安卓恶意软件检测的安全性与能耗，是绿色AI在移动安全领域的重要探索。通过优化模型配置，研究为资源有限的设备提供了切实可行的解决方案，具有广泛的应用前景。