في ظل التطور السريع للبرمجيات الخبيثة المستهدفة لأجهزة أندرويد، تبرز الحاجة الملحة إلى نماذج التعلم العميق (Deep Learning Models) القادرة على التعامل مع هذه التحديات. ومع ذلك، يواجه المستخدمون معضلة حقيقية تتمثل في التوازن بين الأمان واستهلاك الطاقة؛ إذ أن نماذج الكشف الفعالة يمكن أن تؤدي إلى استهلاك البطارية بشكل أسرع.

تناولت دراسة جديدة اختبار تكوينات مختلفة لنموذج الشبكة العصبية متعدد الطبقات (Multi-Layer Perceptron - MLP) التي تهدف إلى تحقيق توازن بين أداء كشف البرمجيات الخبيثة وكفاءة الطاقة. حيث تم مقارنة النماذج التقليدية ذات الدقة العائمة (FP32) مع الشبكات العصبية الكمية المُحسّنة (INT8) التي تمتاز بعمق نموذج مختلف.

استخدم الباحثون مجموعتي بيانات TUANDROMD و DREBIN لتقييم الأداء في فئتي التصنيف واستهلاك الطاقة. وأظهرت النتائج أن كمية INT8 تُقلل من حجم النموذج بنحو 3.5 مرات، بالإضافة إلى تخفيض استهلاك الطاقة إلى 0.0189 ميلي جول لكل استدلال، مع الحفاظ على دقة كشف تجاوزت 99.2%.

كما تم العثور على أن الهياكل الكمية السطحية، مثل نماذج QNN ذات الثلاث والأربع طبقات، تخفض التكاليف الطاقية من خلال تحسين العبور وتقليل وقت تشغيل وحدة المعالجة المركزية في حالة الطاقة العالية.

تؤكد هذه الدراسة أن توفير الحماية الفعالة من البرمجيات الخبيثة ممكن حتى على الهواتف الذكية ذات الموارد المحدودة، مما يوفر قاعدة لنهج الذكاء الاصطناعي الأخضر في أمن الهواتف المحمولة.