How Did That Get In My Phone? Unwanted App Distribution on Android Devices
Android是最受欢迎的操作系统,拥有数十亿活跃设备。不幸的是,它的流行性和开放性使它对不需要的应用程序具有吸引力,即,恶意软件和潜在有害程序(PUP)。在Android中,应用程序安装通常通过官方和替代市场进行,但也通过其他较小且不太了解的替代分发载体进行,例如Web下载,按安装付费(PPI)服务,备份恢复,膨胀软件和IM工具。这项工作通过量化和比较不同向量的分布,对不需要的应用程序分布进行了彻底的调查。我们测量的核心是一家大型安全供应商的声誉日志,其中包括2019年6月至9月期间在1200万台设备中观察到的790万个应用程序。作为第一步,我们测量了10%到24%的用户设备至少遇到一个不需要的应用程序,并比较了恶意软件和PUP的流行程度。对安装者和子应用之间谁安装谁关系的分析显示,Play市场是主要的应用分发载体,占所有安装的87%和不需要的应用安装的67%,但它也对不需要的应用有最好的防御。替代市场分发了5.7%的应用程序,但超过10%的不需要的应用程序。Bloatware也是一个重要的不受欢迎的应用程序分发载体,占这些安装的6%。而且,备份恢复是一种无意的分发载体,甚至可能允许不需要的应用程序在用户更换手机后幸存下来。我们估计通过PPI分发的不需要的应用程序比Windows上的要少。最后,我们观察到,网络下载是罕见的,但提供了一个风险更高的主张,即使与替代市场相比。
2020-10-20 cs.CR
Problem-Space Evasion Attacks in the Android OS: a Survey
Android是全球最受欢迎的操作系统。因此,它是各种恶意软件的目标。作为一种对策,安全社区夜以继日地开发适当的Android恶意软件检测系统,其中基于ML或基于DL的系统被认为是最常见的类型。针对这些检测系统,智能对手开发了一系列规避攻击,其中攻击者稍微修改恶意软件样本以逃避其目标检测系统。在本调查中,我们解决了Android操作系统中的问题空间规避攻击,攻击者操纵实际的APK,而不是其提取的特征向量。我们的目标是探索这类攻击,由于缺乏对Android领域的了解,或者由于专注于一般的数学规避攻击,这类攻击经常被研究社区忽视-即,特征空间规避攻击我们讨论了问题空间规避攻击的不同方面,使用一种新的分类法,它侧重于每个问题空间攻击的关键成分,如攻击者模型,攻击者的操作模式,以及攻击后应用程序的功能评估。
2022-06-21 cs.CR
App's Auto-Login Function Security Testing via Android OS-Level Virtualization
受小键盘的限制,大多数移动应用都支持自动登录功能,以获得更好的用户体验。因此,当应用再次在前台运行时,用户避免了重新输入ID和密码的不便。然而,这种自动登录功能可以被利用来发动所谓的“数据克隆攻击”:一旦本地存储的、依赖于自动登录的数据被攻击者克隆并放置到自己的智能手机中,攻击者就可以突破登录设备数量限制,悄悄登录受害者的帐户。一个自然的对策是检查特定于设备的属性的一致性。只要新设备显示与前一个不同的设备指纹,应用程序将禁用自动登录功能,从而防止数据克隆攻击。在本文中,我们开发了VPDroid,一个透明的Android操作系统级的虚拟化平台,专为安全测试。使用VPDroid,安全分析师可以在虚拟电话中自定义不同的设备工件,例如CPU型号,Android ID和电话号码,而无需用户级API挂钩。VPDroid的隔离机制确保虚拟手机中的用户模式应用程序无法检测到特定于设备的差异。为了评估Android应用程序对数据克隆攻击的敏感性,我们使用VPDroid模拟了234个下载量最大的应用程序的数据克隆攻击。我们在五个不同的虚拟手机环境中进行的实验表明,VPDroid的设备属性自定义可以欺骗所有执行设备一致性检查的测试应用程序,例如Twitter,WeChat和PayPal。19家供应商已确认我们的报告为零日漏洞。我们的研究结果描绘了一个警示故事:只有在客户端执行设备一致性检查仍然容易受到高…
2021-03-30 cs.CR
Forensic Analysis of Instant Messenger Applications on Android Devices
本文重点对Android手机上WhatsApp和Viber两个广泛使用的IM应用程序进行取证数据分析。测试和分析的目的是确定什么数据和信息可以在设备的内部存储器上找到即时通讯工具,如聊天消息日志和历史发送和接收的图像或视频文件等实验和结果表明,大量的潜在证据和有价值的数据可以在Android手机上发现法医调查。
2013-04-17 cs.CR cs.CY
Android Tapjacking Vulnerability
Android是一个开源的移动操作系统,主要由Google开发。它被用于全球移动设备的很大一部分。在本文中,我将研究一种通常被称为窃听的攻击。我将把攻击分开,并通过实施攻击所需的每一个步骤。然后,我将探讨攻击者可用的各种有效载荷选项。最后,我将谈谈攻击的可行性以及缓解策略。
2015-07-30 cs.CR
DroidMorph: Are We Ready to Stop the Attack of Android Malware Clones?
Android恶意软件变体(克隆)的数量正在增加,为了阻止这种克隆攻击,我们需要开发新的方法和技术来分析和检测它们。作为第一步,我们需要研究这些恶意软件克隆是如何生成的。这将帮助我们更好地预测和识别这些克隆。在本文中,我们提出了一个新的工具,名为DroidMorph,提供变形的Android应用程序(APK)在不同层次的抽象,并可用于创建Android应用程序(恶意软件/良性)克隆。作为一个案例研究,我们执行测试和评估当前的商业反恶意软件产品对DroidMorph生成的Android恶意软件克隆攻击的弹性。我们发现,17个领先的商业反恶意软件程序中有8个无法检测到任何变形的APK。我们希望DroidMorph将用于未来的研究,以改善Android恶意软件克隆的分析和检测,并帮助阻止它们。
2021-06-17 cs.CR
PolyScope: Multi-Policy Access Control Analysis to Triage Android Systems
Android文件系统访问控制为Android系统完整性提供了基础。Android使用强制性的组合(例如,SEAndroid)和自由裁量权(例如,UNIX权限)访问控制,既可以保护Android平台免受Android/OEM服务的影响,也可以保护Android/OEM服务免受第三方应用的影响。然而,OEM厂商在引入市场差异化功能时经常会产生漏洞,因为他们在重新配置这种复杂的Android策略组合时会出错。在本文中,我们提出了PolyScope工具来分类Android文件系统访问控制策略的组合,以检查漏洞的发布。PolyScope方法利用了两个主要见解:(1)攻击者可能会利用强制性策略的粗粒度和自主性策略的灵活性来增加可用于发动攻击的权限,我们称之为权限扩展,以及(2)系统配置可能会限制攻击者使用其权限发动攻击的方式,从而激发攻击操作的计算。我们将PolyScope应用于三个Google和五个OEM Android版本,以准确计算攻击操作,以检查这些版本的漏洞,发现权限扩展增加了可用于发起攻击的权限,有时超过10倍,但这些权限中的很大一部分(约15-20%)无法转换为攻击操作。使用PolyScope,我们发现了两个以前未知的漏洞,展示了PolyScope如何帮助OEM将复杂的访问控制策略组合分类到值得测试的攻击操作。
2020-08-08 cs.CR
Android Malware Detection based on Factorization Machine
近年来,随着Android智能手机的普及,恶意应用程序的数量也在增加。由于手机用户面临的数据盗窃的可能性,Android设备上恶意软件的检测已经成为网络安全中越来越重要的问题。基于签名的例程等传统方法无法保护用户免受新型Android恶意软件日益复杂和快速行为变化的影响。因此,最近已经做出了大量努力来使用机器学习模型和方法来表征和概括移动应用的恶意行为模式以用于恶意软件检测。在本文中,我们提出了一种新的和高度可靠的分类器,用于Android恶意软件检测的基础上因式分解机架构和Android应用程序的功能,从清单文件和源代码的提取。我们的研究结果表明,应用程序的数字特征表示通常会导致长且高度稀疏的向量,并且不同特征之间的交互对于揭示恶意行为模式至关重要。在进行了广泛的性能评估后,我们提出的方法在DREBIN数据集上获得了100.00%的准确率,在AMD数据集上获得了99.22%的准确率,只有1.10%的假阳性率。这些指标与最先进的基于机器学习的Android恶意软件检测方法和几种商业防病毒引擎的性能相匹配,其优点是训练速度快50倍。
2019-08-13 cs.CR
Cross-site Scripting Attacks on Android WebView
WebView是Android和iOS中必不可少的组件。它使应用程序能够显示来自在线资源的内容。它简化了执行网络请求、解析数据和渲染数据的任务。WebView使用许多API,可以与WebView内部的Web内容进行交互。在本文中,我们讨论了针对Android WebView的跨站脚本攻击或XSS攻击。跨站脚本(XSS)是Web应用程序中常见的一种漏洞。此漏洞使攻击者能够通过HttpClient API在受害者的WebView中运行恶意代码。使用此恶意代码,攻击者可以窃取受害者的凭据,例如cookie。浏览器用来保护这些凭据的访问控制策略(即同源策略)可以通过利用XSS漏洞绕过。
2013-04-28 cs.CR
Peel the onion: Recognition of Android apps behind the Tor Network
在这项工作中,我们通过网络流量分析表明,Tor容易受到Android设备上的应用程序去匿名化攻击。为此,我们描述了一种用于执行攻击的一般方法,该方法允许使用Tor对目标智能手机上运行的应用程序进行去匿名化,该目标智能手机是攻击的受害者。然后,我们讨论了一个概念证明,实现的方法,显示了如何在实践中进行攻击,并允许评估去匿名化的准确性,它是可能实现的。虽然针对Tor匿名性的攻击已经在桌面环境中的网站指纹识别方面获得了相当大的关注,但据我们所知,这是第一项突出Tor在Android设备上对应用程序去匿名化攻击的脆弱性的工作。在我们的实验中,我们达到了97%的准确率。
2019-01-14 cs.CR
When the Guard failed the Droid: A case study of Android malware
Android恶意软件是全球数十亿用户的持续威胁。作为一种对策,偶尔会实施Android恶意软件检测系统。然而,这些系统通常易受\emph{evasion attacks}攻击,在这种攻击中,攻击者操纵恶意实例,从而将它们误认为是良性的。在本文中,我们针对几个Android恶意软件检测系统推出了各种创新的规避攻击。所有这些系统固有的漏洞是,它们是Androguard~ \cite{desnos2011androguard}的一部分,这是一个流行的开源库,用于Android恶意软件检测系统。一些检测系统在攻击后检测率下降到0。因此,在恶意软件检测系统中使用开源库需要谨慎。此外,我们提出了一种新的评估方案规避攻击生成,利用已知的Android恶意软件检测系统的弱点。通过这样做,我们评估了规避攻击所创建的操纵实例的功能和恶意性。我们发现,在恶意和功能测试我们操纵的应用程序的变化。我们表明,非功能性的应用程序,而被认为是恶意的,不威胁用户,因此从攻击者的角度来看是无用的。我们的结论是,规避攻击必须评估功能和恶意,以评估其影响,这是一个步骤,这是远远不常见的今天。
2020-03-31 cs.CR
SonarSnoop: Active Acoustic Side-Channel Attacks
我们报告了第一个主动声侧信道攻击。扬声器用于发出人类听不见的声学信号,并通过麦克风记录回声,将智能手机的声学系统转变为声纳系统。回波信号可用于分析用户与设备的交互。例如,受害者的手指运动可以被推断为窃取Android手机解锁模式。在我们的实证研究中,使用这种新颖的声学侧通道,攻击者必须尝试向三星S4 Android手机验证自己的候选解锁模式的数量可以减少高达70%。我们的方法可以很容易地应用到其他应用场景和设备类型。总的来说,我们的工作突出了一系列新的安全威胁。
2018-08-30 cs.CR
Mascara: A Novel Attack Leveraging Android Virtualization
Android虚拟化使应用能够创建虚拟环境,其他应用可以在其中运行。最初旨在克服移动应用程序尺寸的限制,恶意开发人员很快就开始利用这种技术来设计新颖的攻击。因此,研究人员提出了新的防御机制,使应用程序能够检测它们是否在虚拟环境中运行。在本文中,我们提出了睫毛膏,第一次攻击,利用虚拟化技术以一种新的方式,实现了对任何Android应用程序的完全可行性,并证明了现有对策的无效性。睫毛膏是由一个恶意的应用程序执行的,它看起来像受害者应用程序的附加组件。至于任何其他附加组件,我们的恶意附加组件可以作为标准Android应用程序安装,但是,安装后,它会针对受害者应用程序启动睫毛膏。恶意附加组件是由睫毛护理器生成的,我们设计和开发的框架可以自动化整个过程。关于睫毛膏,我们评估了它对三个流行应用程序的有效性(即,Telegram、Amazon Music和Alamo)以及绕过现有虚拟环境检测机制的能力。我们通过测量虚拟化技术在运行时引入的开销和Mascarer生成100个恶意加载项所需的编译时间(即,少于10秒)。最后,我们设计了一个鲁棒的方法,检测虚拟环境中的Android的Android浏览器(ART)环境中的ArtMethod数据结构的字段值。
2020-10-20 cs.CR
Cross Site Request Forgery on Android WebView
Android一直致力于连接和提供出色的浏览体验。基于Web的内容可以使用WebView嵌入到Android应用程序中。它是显示网页的用户界面组件。它既可以显示远程网页,也可以加载静态HTML数据。这包括可以集成到应用程序的浏览器功能。WebView提供了许多API,使应用程序能够与WebView中的Web内容进行交互。在当前的论文中,研究了针对Android WebView的跨站请求伪造或XSRF攻击。在XSRF攻击中,通过让攻击者代表受害用户发出任意HTTP请求,利用Web应用程序对其已验证用户的信任。当用户通过WebView登录到受信任站点时,站点将对WebView而不是应用程序进行身份验证。该应用程序可以通过Webview的API代表用户发起攻击,利用用户凭据,导致跨站点请求伪造。攻击还可以通过将cookie设置为HTTP标头并代表受害者发出恶意HTTP请求来发起。
2014-11-12 cs.CR
PolyScope: Multi-Policy Access Control Analysis to Triage Android Scoped Storage
Android的文件系统访问控制是其系统完整性的关键方面。它结合了强制访问控制(如SELinux)和自主访问控制(如Unix权限),以及专门的访问控制(如Android权限),以保护OEM和Android服务免受第三方应用程序的影响。然而,当OEM引入差异化功能时,由于无法正确重新配置这种复杂的策略组合,他们通常会产生漏洞。为了解决这个问题,我们引入了POLYSCOPE工具,它可以对Android文件系统访问控制策略进行分类,以识别攻击操作-授权操作,这些操作可能会被对手利用来提升他们的权限。POLYSCOPE有三个显着的优势,比以前的分析:它允许独立的扩展和分析的个别政策模型,了解的灵活性不受信任的各方在修改访问控制策略,并可以识别系统配置允许的攻击操作。我们通过检查作用域存储对Android的影响来证明POLYSCOPE的有效性,揭示它将外部存储资源上可能的攻击操作数量减少了50%以上。然而,由于OEM仅部分采用了范围存储,我们还发现了两个以前未知的漏洞,展示了POLYSCOPE如何评估所有应用程序都符合范围存储的理想场景,这可以将OEM系统上访问攻击操作的不受信任方的数量减少65%以上。因此,POLYSCOPE可以帮助Android OEM评估复杂的访问控制策略,以确定需要进一步检查的攻击操作。
2023-02-28 cs.CR
JNI Global References Are Still Vulnerable: Attacks and Defenses
本文提出一种在最新 Android 系统中仍可实施的 JNI 全局引用耗尽型 DoS 攻击,并开发 JGREAnalyzer 工具系统检测相关漏洞,同时提出基于全局引用计数的防御方案。
2024-05-01 cs.CR
Cross-Platform Analysis of Indirect File Leaks in Android and iOS Applications
如今,我们的大部分敏感信息都存储在移动应用程序(app)中,例如浏览历史记录和聊天记录。为了保护这些隐私文件,现代移动系统,特别是Android和iOS,使用沙箱来隔离应用程序的文件区域。然而,我们在本文中表明,这些私人文件仍然可以通过间接利用受害者应用程序信任的组件来泄露。特别是,我们设计了新的间接文件泄漏(IFL)攻击,利用浏览器接口,命令解释器和嵌入式应用服务器泄漏非常流行的应用程序,如Evernote和QQ的数据。与以前的攻击不同,我们证明这些IFL可以影响Android和iOS。此外,我们的IFL方法允许对手远程发起攻击,而无需在受害者的智能手机中植入恶意应用程序。最后,我们比较了四种不同类型的IFL攻击对Android和iOS的影响,并提出了几种缓解方法。
2017-02-09 cs.CR
Yes, Machine Learning Can Be More Secure! A Case Study on Android Malware Detection
为了应对现代攻击日益增加的可变性和复杂性,机器学习已被广泛采用作为恶意软件检测的可靠工具。然而,其针对精心设计的攻击的安全性不仅最近受到质疑,而且已经表明,机器学习表现出固有的漏洞,可以在测试时被利用来逃避检测。换句话说,机器学习本身可能是安全系统中最薄弱的环节。在本文中,我们依靠以前提出的攻击框架,通过对具有不同技能和能力的攻击者进行建模,对基于学习的恶意软件检测工具的潜在攻击场景进行分类。然后,我们定义并实现了一组相应的规避攻击,以彻底评估Drebin,Android恶意软件检测器的安全性。这项工作的主要贡献是提出了一个简单且可扩展的安全学习范式,该范式减轻了规避攻击的影响,同时在没有攻击的情况下只会略微恶化检测率。最后,我们认为,我们的安全学习方法也可以很容易地应用到其他恶意软件检测任务。
2017-04-28 cs.CR
You Shall not Repackage! Demystifying Anti-Repackaging on Android
应用程序重新打包是指定制现有移动应用程序并将其重新分发的做法。通过这种方式,攻击者旨在迫使一些移动用户安装重新打包的(可能是恶意的)应用程序,而不是原始应用程序。这种现象强烈影响了Android,其中应用程序可以在公共商店中使用,并且应用程序正确执行的唯一要求是进行数字签名。反重新打包技术试图通过在编译时在应用程序中添加逻辑控件来抵抗这种攻击。这些控件在重新打包的情况下激活,并导致重新打包的应用程序在运行时失败。另一方面,攻击者必须检测并绕过控件,以安全地重新打包。Android生态系统中重新打包的应用程序的高可用性表明攻击者正在获胜。在这方面,本文旨在提出目前的反再包装方法的主要问题。本文的贡献是三方面的:1)分析了当前最先进的反重新包装方案的弱点(即,通过Dex加密,AppIS,SSN,SDC,BombDroid和NRP进行自我保护),2)总结了构成这些方案的抗重新包装技术的主要攻击向量,3)展示了这些攻击向量如何规避当前的建议。本文还将展示对NRP的全面攻击,NRP是迄今为止唯一公开的反重新包装工具。
2021-01-08 cs.CR
Knock-Knock: The unbearable lightness of Android Notifications
Android SDK可以被认为是人机交互的重要组成部分,也是现代移动应用程序中不可分割的模块,可以促进用户交互并改善用户体验。本文介绍了如何精心制作和彻底记录的机制,由操作系统提供的可以被对手利用。更准确地说,我们提出的攻击,要么导致伪造智能手机应用程序通知,以诱使用户披露敏感信息,或操纵Android恶意软件发起拒绝服务攻击到用户的设备,本地和远程,使他们无法使用。最后,本文提出了所讨论的安全威胁的一般对策。
2018-01-24 cs.CR
The Transitivity of Trust Problem in the Interaction of Android Applications
移动电话已经发展成为复杂的平台,安装了大量的应用程序和广泛的敏感数据。应用程序安全策略限制每个已安装应用程序的权限。由于应用程序可能会交互,因此限制单个应用程序可能会为最终用户造成虚假的安全感,而数据仍然可能通过其他应用程序离开移动电话。相反,信息流需要以透明和可用的方式为应用程序的复合系统进行监管。在本文中,我们提出采用静态分析的基础上的软件体系结构和集中的数据流分析,可伸缩地检测组件之间的信息流。具体来说,我们的目标是揭示在多组件移动平台的信任问题的传递性。我们证明了我们的方法与Android应用程序的可行性,虽然泛化的分析类似的基于组合的架构,如面向服务的架构,也可以在未来进行探索。
2012-04-06 cs.CR cs.HC
A Review on The Use of Deep Learning in Android Malware Detection
North China Electric Power University(华北电力大学)
Android是过去几年中占主导地位的移动操作系统。可以由Android驱动的设备的流行不仅吸引了应用程序开发人员,而且还吸引了恶意软件开发人员,他们具有犯罪意图,可以设计和传播恶意应用程序,这些应用程序可以影响Android手机和平板电脑的正常工作,窃取个人信息和凭据数据,甚至更糟的是锁定手机并要求赎金。研究人员不断设计对策策略来反击恶意软件。在过去五年中应用的策略之一是在Android恶意软件检测中使用深度学习方法。这就需要对已完成的工作进行审查,以了解已建立的努力,确定未解决的问题,并激励未来的研究方向。在这项工作中,静态分析,动态分析和混合分析,利用深度学习方法进行了广泛的调查,并详细讨论了它们的关键概念,贡献和局限性。
2018-12-26 cs.CR cs.LG stat.ML
OFEI: A Semi-black-box Android Adversarial Sample Attack Framework Against DLaaS
随着Android设备的日益普及,Android恶意软件正严重威胁着用户的安全。虽然深度学习即服务(DLaaS)可以检测到此类威胁,但作为DLaaS最薄弱部分的深度神经网络通常会被攻击者精心制作的对抗性样本所欺骗。在本文中,我们提出了一种新的半黑盒攻击框架,称为one-feature-each-iteration(OFEI),用于制作Android对抗样本。该框架修改尽可能少的特征,并且需要更少的分类器信息来欺骗分类器。我们进行了一个对照实验,以评估我们的OFEI框架,通过比较它与基准方法JSMF,GenAttack和逐点攻击。实验结果表明,我们的OFEI有较高的错误分类率为98.25%。此外,OFEI可以扩展图像领域的传统白盒攻击方法,如快速梯度符号法(FGSM)和DeepFool,为Android制作对抗性样本。最后,为了增强DLaaS的安全性,利用贝叶斯神经网络中的两个不确定度构造了组合不确定度,并将其用于对抗样本的检测,达到了99.28%的高检测率。
2021-05-25 cs.AI cs.CR
Can you See me? On the Visibility of NOPs against Android Malware Detectors
针对Android恶意软件检测,提出一种可见性度量来评估NOP类非操作代码的发现难度,并在基于操作码的深度学习检测器上验证,揭示了攻击逃避性与可检测性之间的权衡。
2023-12-28 cs.CR
Open Source Android Vulnerability Detection Tools: A Survey
自过去十年以来,智能手机已成为每个人生活中不可或缺的一部分。有能力处理许多有用的和有吸引力的应用程序,智能手机运动完美的功能和小尺寸导致其指数增长。此外,由于庞大的用户群和广泛的功能,这些移动平台已成为一个流行的信息来源,通过几个应用程序提供的国土安全部公民应用程序目录的公众。这个平台如此广泛的受众也使它成为网络攻击的巨大目标。虽然Android是最流行的开源移动平台,它有一套基本的权限来保护设备和资源,但它没有提供一个安全框架来抵御任何攻击。本文综述了Android平台的威胁、漏洞和安全分析工具,这些工具本质上是开源的,并系统地介绍了Android安全机制的知识。此外,还对三种常用工具进行了比较。
2018-07-31 cs.CR
Demystifying security and compatibility issues in Android Apps
从来没有任何操作系统像Android这样受欢迎。现有的移动电话不仅仅是用于打电话和接收SMS消息的设备,而是用于网上冲浪、社交网络等的强大的通信和娱乐平台。即使Android OS提供强大的通信和应用执行能力,但它也充满了缺陷(例如,安全风险和兼容性问题),每天都有新的漏洞出现,漏洞每年给经济造成数百亿美元的损失。例如,恶意应用程序(例如,后门、欺诈应用程序、勒索软件、间谍软件等)据报道[Google,2022]显示出恶意行为,包括隐私窃取、安装不需要的程序等。为了对抗这些威胁,已经提出了许多依赖于静态分析技术来检测这些问题的工作。然而,静态技术本身不足以精确地检测这种缺陷。这将可能产生假阳性结果,因为静态分析在处理复杂情况时必须做出一些权衡(例如,对象敏感对对象不敏感)。此外,静态分析技术还可能遭受可靠性问题,因为某些复杂的特征(例如,反射、混淆和硬化)是难以处理的[Sun等人,2021 b,Samhi等人,2022年]。
2023-02-15 cs.CR cs.SE
Automatically Securing Permission-Based Software by Reducing the Attack Surface: An Application to Android
一个常见的安全架构,称为基于权限的安全模型(例如在Android和黑莓中使用),会带来内在风险。例如,应用程序可以被授予比实际需要更多的权限,我们称之为“权限间隙”。恶意软件可以利用未使用的权限来实现其恶意目标,例如使用代码注入。在本文中,我们提出了一种方法来检测使用静态分析的权限差距。我们在Android环境中的原型实现表明,静态分析必须考虑大量的特定于平台的知识。在两个Android应用程序数据集上使用我们的工具,我们发现应用程序中有一个不可忽视的部分存在权限缺口,即没有使用它们声明的所有权限。
2013-03-20 cs.CR cs.SE
Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
Zhejiang University(浙江大学);University College London(伦敦大学学院)
本文提出ADD框架,一种插件式防御方案,用于增强基于机器学习的Android恶意软件检测系统对问题空间对抗性攻击的鲁棒性,实验证明其有效且能提升现实防病毒软件的防御能力。
2025-01-23 cs.AI cs.CR cs.LG
On the (In)security of Bluetooth Low Energy One-Way Secure Connections Only Mode
为了击败诸如中间人(MITM)攻击之类的安全威胁,低功耗蓝牙(BLE)4.2和5.x引入了仅安全连接模式,在该模式下,BLE设备仅接受包括来自发起者的密钥输入和数字比较的安全配对协议,例如,一部安卓手机然而,BLE规范没有明确要求发起者的仅安全连接模式。以Android的BLE编程框架为例,我们发现它无法强制执行安全配对,从而使仅安全连接模式提供的安全保护无效。同样的问题也适用于Apple iOS。具体来说,我们研究了Android中BLE配对过程的生存周期,并确定了四个严重的设计缺陷。这些设计缺陷可以被攻击者利用来执行降级攻击,迫使BLE配对协议在用户不知情的情况下以不安全模式运行。为了验证我们的研究结果,我们选择了18个流行的BLE商业产品和我们的实验结果证明,降级攻击和MITM攻击都可能对这些产品。Androzoo的所有3501个BLE应用程序也会受到这些攻击。为了防御,我们通过Android开源项目(AOSP)在Android 8上设计并实现了仅安全连接模式的原型。我们已经向蓝牙特别兴趣小组(SIG)、谷歌、苹果、德州仪器(TI)报告了已识别的BLE配对漏洞,所有这些公司都在积极解决这个问题。谷歌将报告的安全漏洞评为高严重性。
2019-09-10 cs.CR
LLM-Driven Feature-Level Adversarial Attacks on Android Malware Detectors
本文提出LAMLAD框架,利用大语言模型生成特征扰动以对抗恶意软件检测器,实验显示攻击成功率高达97%,并提出对抗训练防御策略提升模型鲁棒性。
2025-12-24 cs.AI cs.CR
PatternMonitor: a whole pipeline with a much higher level of automation for guessing Android lock pattern based on videos
模式锁是Android等移动终端设备上实现身份认证和访问授权的常用技术,但其容易受到最近研究提出的利用用户绘制模式时泄露的信息进行攻击的攻击。然而,现有的模式锁攻击对环境敏感,严重依赖人工,这限制了这些攻击方法的实用性。为了实现更实用的攻击,本文设计了PatternMonitor,这是一个具有更高自动化水平的防模式锁系统的完整流水线,它从包含模式绘制的视频中提取猜测的候选模式:该方法不需要人工对目标视频进行裁剪和阈值设置,而是首先利用识别模型定位目标手机和图案绘制手的关键点,这使得即使当指尖被遮蔽时也可以识别手势。然后,我们从视频中提取绘图开始和结束的帧。这些预处理帧是目标跟踪模型的输入,以生成轨迹,并通过执行我们设计的算法进一步转换为可能的候选模式。据我们所知,我们的工作是第一个攻击系统,仅依靠手部运动,而不是准确的指尖捕捉产生的候选模式。实验结果表明,我们的工作是准确的,以前的工作,这给超过90%的成功率在20次尝试。
2021-02-02 cs.CR
Robust Android Malware Detection System against Adversarial Attacks using Q-Learning
BITS Pilani(比尔拉科学技术学院);Microsoft(微软)
当前最先进的Android恶意软件检测系统基于机器学习和深度学习模型。尽管具有优越的性能,这些模型容易受到对抗攻击。因此,在本文中,我们开发了八种基于机器学习和深度神经网络的Android恶意软件检测模型,并研究了它们对对抗攻击的鲁棒性。为此,我们使用强化学习创建了新的恶意软件变体,这些变体将被现有的Android恶意软件检测模型错误分类为良性。我们提出了两种新的攻击策略,即使用强化学习的白盒和灰盒场景下的单策略攻击和多策略攻击。站在对手的立场上,我们设计了针对检测模型的对抗攻击,目标是最大化欺骗率,同时对Android应用程序进行最少的修改,并确保应用程序的功能和行为不会发生变化。我们在所有8个检测模型中分别实现了44.21%和53.20%的平均欺骗率,最多使用单策略攻击和多策略攻击进行5次修改。采用多策略方法,对基于决策树的模型进行了5次修改,取得了86.09%的最高欺骗率。最后,我们提出了一种对抗性防御策略,该策略可以将针对单个策略攻击的平均欺骗率降低三倍至15.22%,从而提高检测模型的鲁棒性,即所提出的模型可以有效地检测恶意软件的变体(变形)。实验分析表明,我们提出的基于强化学习的Android恶意软件检测系统对对抗攻击具有更强的鲁棒性。
2021-01-27 cs.AI cs.CR cs.LG
Side-Channel VoIP Profiling Attack against Customer Service Automated Phone System
本文利用VoIP中VAD静音抑制的侧信道信息,在Cisco CallManager系统上实现了对客服自动电话系统的画像攻击,可准确识别被叫号码及用户后续按键选项。
2023-05-31 cs.CR
Dexteroid: Detecting Malicious Behaviors in Android Apps Using Reverse-Engineered Life Cycle Models
Android恶意软件的数量在过去几年中大幅增加。静态分析广泛用于通过分析代码而不执行来检测此类恶意软件。当前工具的有效性依赖于应用模型以及分析应用模型的恶意软件检测算法。如果模型和/或算法不充分,则由特定事件序列触发的复杂攻击将不会被检测到。本文提出了一个静态分析框架Dexteroid,它使用逆向工程的生存周期模型来准确捕获Android组件的行为。Dexteroid系统地从模型中导出事件序列,并使用它们来检测由特定事件顺序发起的攻击。Dexteroid的原型实现检测两种类型的攻击:(1)泄露私人信息,以及(2)向高级号码发送SMS。在1526个Google Play应用程序、1259个Genome恶意软件应用程序和一套名为DroidBench的基准应用程序上进行了一系列实验,并将结果与最先进的静态分析工具FlowDroid进行了比较。评估结果表明,该框架是有效的和高效的精度,召回率和执行时间。
2016-04-08 cs.CR
VoIP Can Still Be Exploited -- Badly
VoIP电话是物联网的早期代表,也是目前的增强器。本文观察到它们仍然广泛用于传统的不安全配置,并演示了Phonejack系列攻击:Phonejack 1演示了如何利用电话漏洞; Phonejack 2演示了如何在电话网络上发起拒绝服务攻击; Phonejack 3嗅探呼叫。然而,令人放心的是,可以将Raspberry Pi等廉价设备配置和编程为有效的对策,从而支持集成两种技术的方法。我们在视频剪辑中演示了攻击和防御措施。最后的评估认为,相信基本的网络安全措施可能会变得过于乐观;此外,VoIP电话确实应该像今天的笔记本电脑一样受到保护
2021-11-20 cs.CR
Using Hover to Compromise the Confidentiality of User Input on Android
我们表明,新的悬停(浮动触摸)技术,可在今天的智能手机型号,可以被滥用的任何Android应用程序运行一个共同的系统_ALERT_WINDOWS权限记录到其他应用程序的所有触摸屏输入。利用这种攻击,在系统上运行的恶意应用程序因此能够分析用户的行为,捕获密码和PIN等敏感输入,并记录所有用户的社交互动。为了评估我们的攻击,我们实现了Hoover,这是一个概念验证的恶意应用程序,它在系统后台运行,并记录前台应用程序的所有输入。我们对Hoover进行了评估,有40名用户,使用两种不同的Android设备和两种输入方法,手写笔和手指。在触摸屏上用手指输入的情况下,胡佛估计用户点击的位置误差在100像素以内,键盘输入的准确率为79%。Hoover更准确地捕捉用户的手写笔输入,估计用户的点击在2像素以内,键盘输入的准确率达到98%。我们讨论了减轻这种攻击的方法,并表明这不能通过简单地限制访问权限或对用户施加额外的认知负荷来实现,因为这将大大限制悬停技术的预期用途。
2017-08-02 cs.CR
AirGuard -- Protecting Android Users From Stalking Attacks By Apple Find My Devices
一般来说,网络,特别是苹果的“查找我的”网络,如果这些网络被滥用于跟踪,可能会对用户的隐私甚至健康构成严重威胁。苹果发布的AirTag,一个非常实惠的跟踪器,几乎无处不在的Find My网络覆盖,放大了这个问题。虽然苹果在其生态系统中提供了跟踪检测功能,但数十亿Android用户仍然被蒙在鼓里。苹果最近发布了Android应用程序“跟踪检测”,它没有提供一个令人信服的跟踪保护功能集。我们对苹果在iOS中的跟踪保护进行逆向工程,并讨论其关于跟踪检测的功能。我们设计了“AirGuard”,并将其作为Android应用程序发布,以防止Apple跟踪设备的滥用。我们将我们的解决方案的性能与Apple在iOS中提供的解决方案进行了比较,并使用数万名活跃用户提供的数据研究了AirGuard在多周内的野外使用情况。
2022-02-23 cs.CR cs.CY
Understanding Real-world Threats to Deep Learning Models in Android Apps
深度学习(DL)以其卓越的性能而闻名,在许多应用中得到了广泛的应用,但同时也给模型带来了各种各样的威胁。一个主要威胁来自对抗攻击。多年来,研究人员一直在深入研究这种威胁,并提出了数十种创建对抗性示例(AE)的方法。但大多数方法仅在有限的模型和数据集上进行评估(例如,MNIST,CIFAR-10)。因此,攻击现实世界深度学习模型的有效性还不太清楚。在本文中,我们对真实世界的DNN模型进行了首次系统的对抗攻击研究,并提供了一个名为RWM的真实世界模型数据集。特别是,我们设计了一套方法,以适应当前的AE生成算法,以不同的现实世界的DL模型,包括自动提取DL模型从Android应用程序,捕获应用程序中的DL模型的输入和输出,生成AE和验证他们通过观察应用程序的执行。对于黑盒DL模型,我们设计了一种基于语义的方法来构建合适的数据集,并在执行基于传输的攻击时使用它们来训练替代模型。在分析了从62,583个真实世界应用程序中收集的245个DL模型后,我们有一个独特的机会来了解真实世界DL模型和当代AE生成算法之间的差距。令人惊讶的是,目前的AE生成算法只能直接攻击6.53%的模型。受益于我们的方法,成功率上升到47.35%。
2022-09-28 cs.CR
Efficient Query-Based Attack against ML-Based Android Malware Detection under Zero Knowledge Setting
Zhejiang University(浙江大学)
本文提出AdvDroidZero,一个在零知识设置下针对基于机器学习的Android恶意软件检测的高效查询攻击框架,无需了解特征空间、模型参数或训练数据集,评估证明其对主流及最先进检测方法和现实杀毒方案均有效。
2023-09-06 cs.AI cs.CR cs.LG
SCLib: A Practical and Lightweight Defense against Component Hijacking in Android Applications
通过组件间通信实现的跨应用协作是Android上的一种基本机制。虽然它带来了功能重用和数据共享等好处,但也带来了一种称为组件劫持的威胁。通过劫持受害者应用程序中的易受攻击组件,攻击应用程序可以升级其最初禁止的操作权限。已经进行了许多先前的研究来理解和缓解这个问题,但是没有在野外部署防御,主要是由于部署困难和性能问题。在本文中,我们提出了SCLib,一个安全的组件库,代表应用程序组件执行应用程序内的强制访问控制。它不需要像以前的作品那样修改固件或重新打包应用程序。基于库的性质也使SCLib更容易被应用程序开发人员访问,并使他们能够在碎片化的Android设备上首先生成安全的组件。作为概念验证,我们设计了六个强制性策略,并克服了独特的实施挑战,以减轻来自系统弱点和常见开发人员错误的攻击。我们使用10个知名开源应用程序进行的评估表明,SCLib可以保护35个风险组件,代码占用量可以忽略不计(小于0.3%的存根代码),并且几乎不会影响正常的应用程序内通信。阻止攻击的最差性能开销约为5%。
2018-01-13 cs.CR
Robustness of on-device Models: Adversarial Attack to Deep Learning Models on Android Apps
Monash University(莫纳什大学)
深度学习已经在许多应用中展示了它的强大功能,包括图像中的目标检测、自然语言理解和语音识别。为了让最终用户更容易使用,许多深度学习模型现在都嵌入到移动应用程序中。与将深度学习从智能手机卸载到云端相比,在设备上执行机器学习有助于改善延迟、连接性和功耗。然而,Android应用程序中的大多数深度学习模型可以通过成熟的逆向工程轻松获得,而模型的暴露可能会招致对抗攻击。在这项研究中,我们提出了一种简单但有效的方法,通过识别来自TensorFlow Hub的高度相似的预训练模型,使用对抗攻击攻击深度学习模型。实验中的所有10个真实世界的Android应用程序都被我们的方法成功攻击。除了模型攻击的可行性之外,我们还进行了一项实证研究,调查了Google Play上数百个Android应用程序使用的深度学习模型的特征。结果表明,它们中的许多彼此相似,并且广泛使用微调技术来预训练互联网上的模型。
2021-02-04 cs.CR cs.LG cs.SE
Emerging Mobile Phone-based Social Engineering Cyberattacks in the Zambian ICT Sector
2020年,赞比亚的注册SIM卡和活跃手机用户数量超过了该国人口。这清楚地表明,在赞比亚,移动电话已成为日常生活的一部分,由于移动电话系统与金融支付系统相结合,不仅方便了人们的通信方式,而且也方便了人们进行金融交易的方式。这种发展不是没有代价的。网络攻击者使用各种社会工程技术,跳上了欺骗毫无戒心的用户的潮流。考虑到上述情况,本文提出了一种高阶分析方法对基于手机的社会工程网络攻击(网络钓鱼,短信诈骗和钓鱼)在赞比亚,寻求欺骗良性的受害者。本文提出了一个基线研究,重申手头的问题。此外,我们设计了一个攻击模型和评估框架,并确定最流行的攻击类型。我们还在结果部分进行了逻辑回归分析,以得出最流行的基于手机的社会工程攻击类型。根据这些人工制品和观察到的见解,我们提出了一些建议,以减轻这些新兴的社会工程网络攻击。
2022-12-28 cs.CR
Assessing the Forensic Viability of Android Memory Analysis Across Production Builds: A Cross-Version Study of Security Hardening and Structure Preservation
Florida Institute of Technology(佛罗里达理工学院)
研究安卓跨版本安全强化对内存分析取证可行性的影响,利用安卓8到15的Pixel工厂镜像二进制文件测量差距,发现虽符号等信息减少,但关键结构仍完整,运行时入口点可定位,为安卓内存取证提供参考。
2026-07-16 cs.CR
Phonemic Adversarial Attack against Audio Recognition in Real World
Zhongguancun Laboratory(中关村实验室);Beihang University(北京航空航天大学)
近年来,针对音频识别的对抗攻击引起了广泛关注。然而,现有的研究大多依赖于实例级的粗粒度音频特征来生成对抗性噪声,导致生成时间开销大,通用攻击能力弱。基于所有音频语音都由基本音素组成的观点,提出了一种音素对抗性攻击(PAT)范式,该范式攻击音频实例之间共享的音素级细粒度音频特征,生成音素对抗性噪声,具有更一般的攻击能力和更快的生成速度.具体而言,为了加快生成速度,引入音素密度均衡采样策略,通过估计音素密度来采样数量较少但音素特征丰富的音频实例作为训练数据,从而大大减轻了对大训练数据集的严重依赖。此外,为了提高通用攻击能力,采用滑动窗口异步优化音素噪声,增强音素多样性,从而更好地捕捉关键的基本音素模式。通过进行广泛的实验,我们全面研究了所提出的PAT框架,并证明它的性能大大优于SOTA基线(即,至少11倍的速度和78%的攻击能力提高)。
2022-11-19 cs.CR cs.SD eess.AS
Adversarial Patterns: Building Robust Android Malware Classifiers
Rochester Institute of Technology(罗切斯特理工学院)
该综述针对全球应用最广的Android系统的恶意软件分类器易受对抗攻击的问题,全面梳理相关背景、攻防最新进展,给出鲁棒分类器设计指南与未来研究方向。
2024-04-12 cs.CR cs.LG
MalPurifier: Enhancing Android Malware Detection with Adversarial Purification against Evasion Attacks
School of Cyber Science and Engineering, Southeast University, Purple Mountain Laboratories, and Jiangsu Province Engineering Research Center of Security for Ubiquitous Network(网络 ubiquity 安全江苏省工程研究中心、紫金山实验室、东南大学网络科学与工程学院)
MalPurifier提出一种基于对抗净化的Android恶意软件检测防御框架,通过多样化扰动、噪声注入和双目标DAE,在37种逃避攻击下保持90.91%以上的鲁棒准确率。
2025-06-22 cs.AI cs.CR cs.LG
Abusing Phone Numbers and Cross-Application Features for Crafting Targeted Attacks
随着互联网和电话的融合,新的应用(例如,WhatsApp)已经成为数十亿用户的重要通信手段。这些应用程序正在成为攻击者发送垃圾邮件和实施更具针对性的攻击的诱人媒介。由于这些应用程序依赖于电话号码,我们探讨的可行性,自动化和可扩展性的钓鱼攻击,可以通过滥用电话号码。我们展示了一个新的系统,需要一个潜在的受害者的电话号码作为输入,利用信息从应用程序,如Truecaller和Facebook的受害者和他/她的社交网络,检查存在的电话号码的所有者(受害者)的攻击渠道(过顶或OTT消息应用程序,语音,电子邮件,或短信),并最终针对受害者选择的渠道。作为概念证明,我们通过116万个电话号码的随机池进行枚举。通过使用流行的应用程序提供的信息,我们表明,社交和鱼叉式网络钓鱼攻击可以分别对51,409和180,000用户发起。此外,还可以对722,696名用户发起语音钓鱼或网络钓鱼攻击。我们还发现了91,487个非常有吸引力的目标,可以通过精心设计的捕鲸攻击来攻击。我们显示的有效性,这些攻击之一,网络钓鱼,进行在线角色扮演用户研究。我们发现,社交(69.2%)和鱼叉(54.3%)网络钓鱼攻击比OTT消息应用程序上的非定向网络钓鱼攻击(35.5%)更成功。虽然类似的结果被发现为其他媒介,如电子邮件,我们证明,由于通过新的通信应用程序的用户参与显着增加,并与电话号码允许收集这些攻击所需的信息的容易性,有…
2015-12-23 cs.CR cs.SI
Exploiting ML algorithms for Efficient Detection and Prevention of JavaScript-XSS Attacks in Android Based Hybrid Applications
多年来,移动应用程序的安全性开发和分析已成为一个活跃的研究领域,因为许多应用程序容易受到不同的攻击。特别是在过去三年中出现了混合应用程序的概念,其中应用程序以本地语言和Web语言开发,因为Web语言的使用在混合移动应用程序中增加了某些安全风险,因为它创建了可能的渠道,恶意代码可以被注入应用程序中。WebView是混合移动应用程序中的重要组件,用于实现沙箱机制,以保护智能手机设备的本地资源免受未经授权的JavaScript访问。然而,WebView应用程序编程接口(API)也存在安全问题。例如,攻击者可以通过访问应用程序的公共方法绕过沙箱安全性来经由JavaScript代码攻击混合应用程序。跨站脚本(XSS)是一种最流行的恶意代码注入技术,用于通过JavaScript访问应用程序的公共方法。这项研究提出了一个框架,在混合应用程序中使用最先进的机器学习(ML)算法检测和预防XSS攻击。攻击的检测已经通过利用注册的Java对象功能来执行。数据集和示例混合应用程序是使用android studio开发的。然后使用了目前广泛使用的工具RapidMiner进行实证分析。实验结果表明,基于集成的随机森林算法的性能优于其他算法,准确率和F-测度均高达99%。
2020-07-30 cs.CR cs.SE
DroidBreaker: Practical and Functional Problem-Space Attacks on Machine-Learning Android Malware Detectors
提出DroidBreaker框架,通过细粒度、构建安全的操作(注入API调用、权限等)和语义保持测试,实现高效的白盒与黑盒攻击,显著降低VirusTotal检测率。
2026-06-26 cs.CR cs.LG
Ontology-driven Knowledge Graph for Android Malware
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM TJ Watson Research Center(IBM TJ Watson研究中心)
我们提出MalONT 2.0-恶意软件威胁情报本体\cite{rastogi2020malont}。在扩大核心能力问题范围后,添加了新的类别(攻击模式、支持攻击的基础设施资源、包含静态分析的恶意软件分析以及二进制文件的动态分析)和关系。MalONT 2.0允许研究人员广泛捕获收集Android恶意软件攻击的语义和语法特征的所有必要类和关系。该本体构成了恶意软件威胁情报知识图谱MalKG的基础,我们使用三种不同的、不重叠的演示来验证该知识图谱。恶意软件的特征是从CTI在互联网上共享的Android威胁情报报告中提取的,并以非结构化文本的形式编写。其中一些来源是博客,威胁情报报告,推文和新闻文章。捕获恶意软件特征的最小信息单元被写为包括头部和尾部实体的三元组,每个三元组与关系连接。在海报和演示中,我们讨论了MalONT 2.0,MalKG,以及动态增长的知识图谱,TINKER。
2021-09-03 cs.AI cs.CR
AirHopper: Bridging the Air-Gap between Isolated Networks and Mobile Phones using Radio Frequencies
信息是现代组织最重要的资产,因此受到对手的觊觎。当涉及高度敏感的数据时,组织可能会采取气隙隔离,即内部网络和外部世界之间没有网络连接。虽然近年来已经证明渗透气隙网络是可行的(例如,Stuxnet),从空气间隙网络中泄漏数据仍然被认为是高级网络攻击中最具挑战性的阶段之一。在本文中,我们提出了“AirHopper”,这是一种分叉的恶意软件,它使用FM信号在隔离的网络和附近受感染的手机之间架起了一座桥梁。虽然众所周知,软件可以故意从视频显示单元创建无线电发射,但这是第一次在攻击模型中将移动电话视为恶意制作的无线电信号的预期接收器。我们研究了攻击模型及其局限性,并讨论了实现的考虑因素,如隐形和调制方法。最后,我们评估了AirHopper,并演示了文本和二进制数据如何从物理隔离的计算机渗透到1-7米距离的移动电话上,有效带宽为13-60 Bps(每秒100次)。
2014-11-02 cs.CR
MobileWorldSafety: Benchmarking GUI Agent Safety Against Environmental Injection Attacks in Android Apps
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
该研究推出MobileWorldSafety基准,基于142个真实安卓应用风险任务评估6种GUI智能体,发现其对环境注入攻击的成功率达40.4%-66.9%,为相关研究奠定基础。
2026-08-19 cs.AI cs.CR
Do You Think You Can Hold Me? The Real Challenge of Problem-Space Evasion Attacks
Android恶意软件是一种在虚拟世界中传播的疾病。防病毒和检测系统不断进行补丁和更新,以抵御这些威胁。大多数最新的恶意软件检测方法都使用机器学习(ML)。针对检测系统的鲁棒性努力,提出\emph{evasion attacks},其中对手更改其目标样本,以便将其错误分类为良性。本文考虑了两种规避攻击:特征空间和问题空间。\emph{Feature-space}攻击考虑的是操纵ML特征以逃避正确分类同时最小化或约束总操纵的对手。\textit{Problem-space}攻击是指改变实际样本的规避攻击。具体而言,本文分析了这两种类型之间的差距在Android恶意软件领域。两种类型的逃避攻击之间的差距检查通过使用每一个逃避攻击类型的分类器的再训练过程。实验结果表明,这两类再训练分类器的分类性能差距很大,最大可达96%.已发现特征空间规避攻击的再训练分类器对问题空间规避攻击的有效性较低或完全无效。此外,不同的问题空间规避攻击的探索表明,一个问题空间规避攻击的再训练可能对其他问题空间规避攻击有效。
2022-05-09 cs.CR
EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection
Radboud University(拉德堡德大学);Ruhr University Bochum(波鸿鲁尔大学)
本文提出 EvadeDroid,一种基于良性捐赠应用变换和查询高效优化的黑盒问题空间攻击,可在极少查询下规避多种 Android 恶意软件检测器及商业杀毒软件。
2024-01-25 cs.CR cs.LG