В данной выпускной квалификационной работе представлено исследование влияния аппаратной поддержки искусственного интеллекта на работу антивирусного программного обеспечения на операционной системе Android. Осуществлён анализ возможностей нейронного процессора платформы Huawei HiSilicon Kirin 970 и сделан оптимальный выбор моделей искусственных нейронных сетей. Приведён обзор антивирусных средств, использующих глубокое обучение и в той или иной степени доступной для использования на пользовательских устройствах. На языке Java разработано приложение, в основе которого использовались готовая модели свёрточной нейронной сети и долгой краткосрочной памяти. Взаимодействие с аппаратными ресурсами, а также перенос обученных моделей на мобильную платформу с сохранением функционала осуществлено благодаря средствам TensorFlow Lite. Модели подверглись глубокому обучению с помощью стационарного графического процессора как на безопасных APK файлах, так и на файлах с вредоносным содержимым. Контрольные точки обучения конвертированы в необходимый вид модели с помощью средств языка Python. Проведено тестирование скорости обнаружения вредоносных APK файлов в зависимости от использования аппаратных ресурсов платформы по двум сценариям, различающихся по количеству выделенного времени. Полученные результаты оценены. Приведены способы для дальнейшей разработки приложения и совершенствования взаимодействия с аппаратными ресурсами мобильных платформ.

This work presents a study of the impact of artificial intelligence hardware support on the operation of antivirus software on the Android operating system. The analysis of possibilities of the Huawei HiSilicon Kirin 970 platform neural processor is carried out and the optimum choice of models of artificial neural networks is made. An overview of anti-virus tools that use in-depth training and are available for use on user devices to some extent is given. In Java language the application is developed which is based on the ready models of a convolution neural network and long short-term memory. Interaction with hardware resources, as well as the transfer of trained models to the mobile platform with the preservation of functionality was carried out using the means of TensorFlow Lite. The models underwent in-depth training using a fixed graphics processor on both secure APK files and malicious content files. Learning control points were converted to the desired model type using the Python language. The detection rate of malicious APK files was tested depending on the use of platform hardware resources in two scenarios differing in the amount of time allocated. The results obtained have been evaluated. Ways to further develop the application and improve interaction with mobile platform hardware resources are given.