A multi-task learning model for malware classification with useful file access pattern from API call sequence
The University of Hong Kong（香港大学）
基于API调用序列，可以构建基于语义感知和机器学习（ML）的恶意软件分类器以用于恶意软件检测或分类。以前的工作集中于通过静态或动态分析从恶意软件二进制文件、反汇编二进制文件或API调用中制作和提取各种特征，并诉诸ML来构建分类器。然而，它们往往涉及太多的特征工程，无法提供可解释性。我们通过深度学习的最新进展解决了这两个问题：1）基于RNN的自动编码器（RNN-AE）可以从原始API调用序列中自动学习恶意软件的低维表示。2)多个解码器可以在不同的监督下进行训练，以提供更多的信息，而不是恶意软件的类别或家族标签。受文档分类和自动句子摘要工作的启发，每个API调用序列都可以被视为一个句子。在本文中，我们首次尝试建立一个基于API调用序列的多任务恶意软件学习模型。该模型由两个解码器组成，一个用于恶意软件分类，另一个用于给定恶意软件的API调用序列的$\emph{file access pattern}$（FAP）生成。我们的模型基于一般的seq 2seq框架。实验表明，我们的模型可以提供有竞争力的分类结果，以及有见地的FAP信息。
2016-10-19 cs.CR cs.LG cs.SD
Generic Black-Box End-to-End Attack Against State of the Art API Call Based Malware Classifiers
Ben Gurion University（本-古里安大学）
在本文中，我们提出了一种针对基于API调用的机器学习恶意软件分类器的黑盒攻击，重点是生成结合API调用和静态特征（例如，可打印字符串），其将被分类器错误分类而不影响恶意软件功能。我们表明，由于RNN变体、前馈DNN和传统机器学习分类器（如SVM）之间的可转移性原则，这种攻击对许多分类器都是有效的。我们还实现了GADGET，一个软件框架，将任何恶意软件二进制转换为二进制未检测到的恶意软件分类器，使用拟议的攻击，而无需访问恶意软件源代码。
2018-06-24 cs.CR cs.LG cs.NE
Malware Detection based on API Calls: A Reproducibility Study
University of Vaasa（瓦萨大学）
本研究复现了基于API调用频率分析的恶意软件检测方法，验证了其有效性及可重复性，单词模型F1分数提升显著。
2026-01-13 cs.CR
Demystifying Feature Engineering in Malware Analysis of API Call Sequences
本文研究了基于API调用序列的恶意软件分析中特征工程的影响，发现基于知识的特征工程在性能上优于NLP方法，且模型更关注变化较大的特征。
2025-12-01 cs.CR
Benchmark Static API Call Datasets for Malware Family Classification
Gebze Technical University（盖布泽技术大学）；Kadir Has University（卡迪尔哈斯大学）
如今，恶意软件和恶意软件事件每天都在增加，即使有各种防病毒系统和恶意软件检测或分类方法。机器学习技术已经成为安全专家检测恶意软件并确定其家族的主要焦点。为此目的，已经提出了许多静态、动态和混合技术。在这项研究中，静态分析技术已应用于恶意软件样本，以提取API调用，这是机器/深度学习模型中最常用的功能之一，因为它代表了恶意软件样本的行为。由于恶意软件的快速增长和不断演变影响了防病毒扫描程序的检测能力，因此需要最新和更新的恶意软件数据集来克服这一缺点。本文介绍了两个新的数据集：一个是从VirusShare获得和编译的14，616个样本，另一个是从VirusSample获得的9，795个样本。此外，基于恶意软件样本的静态API调用的基准测试结果使用这些数据集上的几个机器和深度学习模型来呈现。我们相信，这两个数据集和基准测试结果使研究人员能够测试和验证他们在这一领域的方法和途径。
2022-08-04 cs.AI cs.CR cs.LG
Learning Malware Representation based on Execution Sequences
随着恶意软件的数量和类型急剧增加，恶意软件分析已经被广泛研究。然而，大多数以前的研究使用端到端系统来检测样本是否是恶意的，或者识别其恶意软件家族。在本文中，我们提出了一个神经网络框架组成的嵌入器，编码器和过滤器，学习恶意软件表示的特征执行序列的恶意软件家族分类。嵌入器使用最先进的嵌入模块BERT和Sent2Vec来捕获执行跟踪中单个API调用内和连续API调用之间的关系。该编码器包括用于保持API调用的顺序位置的门控递归单元（GRU）和用于比较API调用的不同位置之间的内部关系的自注意力机制。过滤器识别代表性API调用以构建恶意软件表示。我们进行广泛的实验，以确定个别框架组件的影响。结果表明，所提出的框架优于基线，并且还表明，考虑Sent2Vec来学习完整的API调用嵌入和GRU来显式地保留序数信息，可以产生更多的信息，从而实现显著的改进。此外，所提出的方法有效地分类新的恶意执行痕迹与以前收集的家庭的相似性的基础上。
2021-02-05 cs.CR cs.LG
Android-COCO: Android Malware Detection with Graph Neural Network for Byte- and Native-Code
随着Android的普及率呈指数级增长，恶意软件的数量也大幅激增。这可以说是移动平台上最具病毒性的问题之一。最近，已经引入了各种方法来检测Android恶意软件，其中大多数是基于Manifest File功能或结构信息，例如控制流图和API调用。在这些方法中，几乎所有的方法都只考虑Java字节码作为检测恶意行为的目标。然而，最近的研究和我们自己的统计数据表明，原生负载通常用于良性和恶意应用程序。当前最先进的Android静态分析工具避免处理本机方法调用。这些工具都不具备捕捉语际行为的能力。在这项工作中，我们探讨了合奏机制，它提出了如何结合字节码和原生代码分析的Android应用程序可以有效地用于应付先进的复杂的Android恶意软件。因此，我们提出了一种多层方法，该方法利用深度学习，自然语言处理（NLP）以及图形嵌入技术来处理来自Java字节码和本机代码的Android恶意软件的威胁。在此基础上，设计了一个集成算法，得到了恶意软件检测系统的最终结果。具体来说，我们的检测方法的第一层操作的应用程序的字节码和本地代码的水平，而第二层侧重于集成算法。在100，113个样本（35，113个恶意软件和65，000个良性）上的大规模实验表明，仅字节码子系统的准确率为99.8%，本机代码子系统的准确率为96.6%，而Android-COCO方法的准确率为99.86%，优于各种相关工作。
2022-01-24 cs.CR
Dynamic Malware Analysis with Feature Engineering and Feature Learning
School of Computing（计算机学院）；National University of Singapore（新加坡国立大学）
动态恶意软件分析在隔离环境中执行程序，并监视其运行时行为（例如系统API调用）以进行恶意软件检测。这种技术已经被证明是有效的对各种代码混淆技术和新发布的（“零日”）恶意软件。然而，现有的作品通常只考虑API名称而忽略参数，或者需要复杂的特征工程操作和专家知识来处理参数。在本文中，我们提出了一种新的和低成本的特征提取方法，和一个有效的深度神经网络架构，准确和快速的恶意软件检测。具体来说，特征表示方法利用特征散列技巧来编码与API名称相关联的API调用参数。深度神经网络架构应用多个门控CNN（卷积神经网络）来转换每个API调用的提取特征。输出通过双向LSTM（长短期记忆网络）进一步处理，以学习API调用之间的顺序相关性。实验表明，我们的解决方案优于基线显着在一个大的真实数据集。烧蚀研究对特征工程和体系结构设计有重要意义。
2020-01-24 cs.CR cs.LG
Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
Université Paris Cité（巴黎西岱大学）；Institut Polytechnique de Paris（巴黎理工学院）；Télécom Paris（巴黎电信学院）
Delphi Scanner利用CNN建模API序列并辅以规则层解释，在19万PE文件上达95.35%准确率，模型仅1.53MB，且对分布外样本和对抗攻击具有鲁棒性，为本地恶意软件分流提供高效可解释方案。
2026-09-18 cs.CR cs.LG
Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling
National Institute of Technology, Rourkela（国家理工学院罗尔克拉分校）
本文针对恶意软件分类中的概念漂移问题，提出遗传算法增强的深度学习框架，通过变异操作和适应度评估持续优化模型，实验证明其分类性能和适应性优于传统静态模型。
2025-03-08 cs.AI cs.CR cs.LG
Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection
Institute of Data Science and Digital Technologies, Faculty of Mathematics and Informatics, Vilnius University（数据科学与数字技术研究所，数学与信息学学院，维尔纽斯大学）
本文研究了通过添加少量特定良性软件类别的Win32 API导入，将恶意软件样本故意误分类为特定良性类别而非仅仅非恶意软件的可能性。提出了一种基于条件变分自编码器（CVAE）的框架，其解码器严格加法，能够引入新的API调用但不移除现有调用，从而保留恶意软件功能。对于每个恶意软件样本，该框架自动识别其最接近的良性类别并将其作为逃避目标。
2026-05-18 cs.CR cs.LG
Towards Generic Deobfuscation of Windows API Calls
了解恶意程序功能的一种常见方法是查看它调用了哪些API函数。为了使其程序的逆向工程复杂化，恶意软件作者部署API混淆技术，将其隐藏在分析人员的眼睛和反恶意软件扫描仪之外。这个问题可以通过使用动态分析来部分解决;也就是说，通过在受控环境中执行恶意软件样本并记录API调用。然而，知道虚拟机和沙箱的恶意软件可能会在没有显示任何恶意行为迹象的情况下终止。在本文中，我们介绍了一个静态分析技术，允许通用的去混淆的Windows API调用。该技术利用符号执行和隐马尔可夫模型从传递给API函数的参数预测API名称。我们最好的预测模型可以正确识别API名称，准确率为87.60%。
2020-12-05 cs.CR stat.AP
Android Malware Detection using Deep Learning on API Method Sequences
Concordia University（康考迪亚大学）；King Saud University（沙特国王大学）；University of Sharjah（沙迦大学）
Android操作系统经历了一个炽热的流行，因为过去几年。这个占主导地位的平台不仅在移动世界中，而且在物联网（IoT）设备中也建立了自己的地位。然而，这种流行是以牺牲安全为代价的，因为它已成为恶意应用程序的诱人目标。因此，对复杂、自动和便携式恶意软件检测解决方案的需求日益增加。在本文中，我们提出了MalDozer，一个自动的Android恶意软件检测和家庭归因框架，依赖于使用深度学习技术的序列分类。从应用程序API方法调用的原始序列开始，MalDozer自动从实际样本中提取并学习恶意和良性模式，以检测Android恶意软件。MalDozer可以作为无处不在的恶意软件检测系统，不仅部署在服务器上，还可以部署在移动设备甚至物联网设备上。我们在多个Android恶意软件数据集上评估MalDozer，范围从1 K到33 K恶意软件应用程序和38 K良性应用程序。结果表明，MalDozer可以正确地检测恶意软件，并将它们归因于它们的实际家族，在所有测试数据集和设置下，F1分数为96%-99%，误报率为0.06%-2%。
2017-12-25 cs.AI cs.CR
Prompt Engineering-assisted Malware Dynamic Analysis Using GPT-4
Guangdong Key Laboratory of Intelligent Information Processing（广东省智能信息处理重点实验室）；Shenzhen Key Laboratory of Media Security（深圳市媒体安全重点实验室）
针对现有基于API序列的恶意软件检测模型表示质量有限、泛化能力弱及概念漂移问题，提出结合GPT-4提示工程生成API解释文本、用BERT获取序列表示再经CNN检测的方法，在多基准及跨库、小样本实验中性能优于TextCNN，泛化性优异。
2023-12-13 cs.AI cs.CR
Dynamic Malware Classification of Windows PE Files using CNNs and Greyscale Images Derived from Runtime API Call Argument Conversion
NIT Rourkela（鲁尔克拉国家理工学院）
本文提出一种动态恶意软件分类框架，通过提取Windows PE文件运行时的API调用参数并转换为时间模式，再利用magma色图生成灰度图像训练CNN模型，实现98.36%的平均准确率并对典型逃避策略具有显著韧性。
2025-05-30 cs.AI cs.CR cs.LG
Behavioural Reports of Multi-Stage Malware
University of Exeter（埃克塞特大学）
恶意软件造成的广泛损害要求反恶意软件系统不断改进，以防止新的威胁。恶意软件检测的当前趋势是采用机器学习模型来辅助分类过程。我们提出了一个新的数据集，目的是改善当前的反恶意软件系统。此数据集的重点是通过为Windows 10虚拟机中执行的数千个恶意软件样本提供API调用序列来改进基于主机的入侵检测系统。提供了有关如何创建和扩展此数据集的教程，以及演示如何使用此数据集对恶意软件进行分类的基准测试。数据包含每个样本的API调用的长序列，并且为了创建可以在资源受限的设备中部署的模型，测试了三种特征选择方法。然而，主要的创新在于多标签分类系统，其中一个API序列可以用描述其恶意行为的多个标签进行标记。
2023-01-30 cs.CR cs.LG
Malware Detection based on API calls
University of Passau（帕绍大学）；GData Cyberdefense（GData网络防御公司）；Reykjavik University（雷克雅未克大学）
提出一种不依赖 API 调用顺序的轻量级恶意软件检测方法，构建超 30 万样本公开数据集，并证明仅用 ntdll.dll 调用即可实现超过 85% 的 F1-Score。
2025-02-18 cs.CR cs.LG
MaMaDroid: Detecting Android Malware by Building Markov Chains of Behavioral Models (Extended Version)
University College London（伦敦大学学院）；University of the West of England（西英格兰大学）；Boston University（波士顿大学）
随着Android变得越来越受欢迎，针对它的恶意软件也越来越多，因此推动研究社区提出不同的检测技术。然而，Android生态系统和恶意软件本身的不断发展，使得很难设计出强大的工具，可以长时间运行，而无需修改或昂贵的重新培训。为了解决这个问题，我们从行为的角度来检测恶意软件，建模为抽象的API调用序列。我们介绍MaMaDroid，一个基于静态分析的系统，它将应用程序执行的API调用抽象为它们的类、包或家族，并从应用程序的调用图中获得的序列构建模型作为马尔可夫链。这确保了模型对API更改的弹性更强，并且功能集的大小可管理。我们使用在六年内收集的8.5K良性和35.5K恶意应用程序的数据集来评估MaMaDroid，结果表明它可以有效地检测恶意软件（高达0.99 F-measure），并在很长一段时间内保持其检测能力（训练后两年高达0.87 F-measure）。我们还表明，MaMaDroid显着优于DroidAPIMiner，一个国家的最先进的检测系统，依赖于（原始）API调用的频率。为了评估MaMaDroid的有效性是否主要源于API抽象或序列建模，我们还评估了它的一个变体，该变体使用抽象API调用的频率（而不是序列）。我们发现它并不准确，当在恶意软件样本上训练时，它无法捕捉恶意，这些恶意软件样本包括良性应用程序同样或更频繁使用的API调用。
2019-03-02 cs.AI cs.CR
Comprehensive evaluation of Mal-API-2019 dataset by machine learning in malware detection
Texas A&M University（德克萨斯A&M大学）；Georgia Institute of Technology（佐治亚理工学院）；New York University（纽约大学）；Boston University（波士顿大学）；University of Chicago（芝加哥大学）
本研究基于Mal-API-2019数据集评估了多种机器学习分类模型在恶意软件检测中的表现，发现Random Forest和XGBoost等集成方法在准确率、精确率和召回率上表现更优，为开发更强大的检测系统提供了实用见解。
2024-03-25 cs.AI cs.CR cs.LG
Early Malware Detection and Next-Action Prediction
本研究提出结合NLP与机器学习的框架，用Bi-LSTM基于API调用序列预测恶意软件下一动作，结合n-gram特征与Bagging-XGBoost实现早期检测，在两个数据集上准确率最高达93.6%。
2023-06-09 cs.CR cs.SY eess.SY
MalDetConv: Automated Behaviour-based Malware Detection Framework Based on Natural Language Processing and Deep Learning Techniques
Windows的普及吸引了黑客/网络攻击者的注意，使Windows设备成为近年来恶意软件攻击的主要目标。几种复杂的恶意软件变体和反检测方法已得到显著增强，因此，传统的恶意软件检测技术已变得不那么有效。这项工作提出了MalBehavD-V1，一个新的行为数据集的Windows应用程序编程接口（API）调用提取良性和恶意软件的可执行文件使用的动态分析方法。此外，我们提出了MalDetConV，一个新的自动化的基于行为的框架，用于检测现有的和零日恶意软件攻击。MalDetConv使用基于文本处理的编码器将API调用的特征转换为深度学习模型支持的合适格式。然后，它使用卷积神经网络（CNN）和双向门控递归单元（CNN-BiGRU）自动特征提取器的混合来选择API调用的高级特征，然后将其馈送到完全连接的神经网络模块进行恶意软件分类。MalDetConv还使用了一个可解释的组件，该组件揭示了有助于最终分类结果的功能，有助于安全分析师的决策过程。使用我们的MalBehavD-V1数据集和其他基准数据集评估所提出的框架的性能。检测结果证明了MalDetConv在检测MalBehavD-V1、Allan和John、Brazilian和Ki-D数据集中的不可见恶意软件时，检测准确率分别为96.10%、95.73%、98.18%和99.93%。实验结果表明，MalDetConv在检测Windows设备上的…
2022-09-08 cs.CR
On the Effectiveness of System API-Related Information for Android Ransomware Detection
University of Cagliari（卡利亚里大学）；National Research of Council（国家研究委员会）；University of Sannio（桑尼奥大学）
勒索软件对Android操作系统构成重大威胁。它可以锁定或加密目标设备，受害者被迫支付赎金来恢复数据。因此，与其他恶意威胁相比，及时检测此类攻击具有优先级。以前关于Android恶意软件检测的工作主要集中在面向机器学习的方法上，这些方法专为识别恶意软件家族而量身定制，而没有明确关注勒索软件。更具体地说，这些方法采用了复杂的信息类型，如权限、用户实现的API调用和本机调用。然而，这导致了关于复杂性、对混淆的弹性和可解释性的重大缺点。为了克服这些问题，在本文中，我们提出并讨论了依赖于系统API信息的基于学习的检测策略。这些技术利用勒索软件攻击严重依赖系统API来执行其操作的事实，并允许区分一般恶意软件，勒索软件和好软件。我们测试了使用系统API信息的三种不同方式，即，通过包、类和方法，我们将它们的性能与其他更复杂的最先进的方法进行了比较。所获得的结果表明，基于System API的系统可以非常准确地检测勒索软件和通用恶意软件，与采用更复杂信息的系统相当。此外，所提出的系统可以准确地检测野生环境中的新样本，并显示出对静态混淆尝试的弹性。最后，为了保证早期的设备检测，我们在Android平台上开发并发布了一个完整的勒索软件和恶意软件检测器（R-PackDroid），该检测器采用本文提出的方法之一。
2019-06-26 cs.CR cs.LG
MaMaDroid: Detecting Android Malware by Building Markov Chains of Behavioral Models
随着Android平台的普及，针对该平台的恶意软件威胁激增。随着Android恶意软件和操作系统本身的不断发展，设计强大的恶意软件缓解技术非常具有挑战性，这些技术可以长时间运行，而无需修改或昂贵的重新培训。在本文中，我们介绍了MaMaDroid，一个依赖于应用程序行为的Android恶意软件检测系统。MaMaDroid以马尔可夫链的形式，从应用程序执行的抽象API调用序列中构建行为模型，并使用它来提取特征和执行分类。通过抽象调用它们的包或家族，MaMaDroid保持对API更改的弹性，并保持功能集大小可管理。我们在六年内收集的8.5K良性应用程序和35.5K恶意应用程序的数据集上评估了其准确性，结果表明，它不仅可以有效地检测恶意软件（高达99%的F测量值），而且系统构建的模型可以长时间保持其检测能力（平均值分别为86%和75%的F测量值，训练后一年和两年）。最后，我们与DroidAPIMiner进行了比较，DroidAPIMiner是一个依赖于应用程序执行API调用频率的最先进的系统，表明MaMaDroid的性能明显优于它。
2017-11-20 cs.CR
CNN-LSTM and Transfer Learning Models for Malware Classification based on Opcodes and API Calls
University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本文提出基于API调用和操作码的CNN-LSTM恶意软件分类模型，结合N-gram特征，在97万余样本上以8-gram达到99.91%准确率，并验证多种迁移学习架构，取得领先性能。
2024-05-04 cs.AI cs.CR cs.LG
An Ensemble of Pre-trained Transformer Models For Imbalanced Multiclass Malware Classification
Kadir Has University（卡迪尔哈斯大学）；Huawei R&D Center（华为研发中心）
恶意软件家族的分类对于全面了解它们如何感染设备，计算机或系统至关重要。因此，恶意软件识别使安全研究人员和事件响应者能够采取预防措施来防范恶意软件并加速缓解。由恶意软件进行的API调用序列是机器和深度学习模型广泛使用的用于恶意软件分类的特征，因为这些序列表示恶意软件的行为。然而，传统的机器和深度学习模型仍然无法捕获API调用之间的序列关系。另一方面，基于transformer的模型将序列作为一个整体进行处理，并由于多头注意力机制和位置嵌入而学习API调用之间的关系。我们的实验表明，具有一个Transformer块层的Transformer模型超越了广泛使用的基础架构LSTM。此外，BERT或CANINE，预训练的Transformer模型，在根据评估指标，F1分数和AUC分数对高度不平衡的恶意软件家族进行分类方面表现出色。此外，所提出的基于装袋的随机Transformer森林（RTF），BERT或CANINE的集成，已经达到了四个数据集中的三个的最先进的评估分数，特别是最先进的F1分数为0.6149的常用基准数据集之一。
2022-06-22 cs.AI cs.CR cs.LG
Emulating malware authors for proactive protection using GANs over a distributed image visualization of dynamic file behavior
Symantec Corporation（赛门铁克公司）
恶意软件作者一直处于能够在部署有效载荷之前使用反恶意软件产品对抗测试和增强其恶意代码的优势。另一方面，反恶意软件开发人员和威胁专家没有主动调整反恶意软件产品以对抗零日攻击的特权。这使得恶意软件作者能够领先于反恶意软件产品，从根本上使双方玩的猫捉老鼠游戏产生偏见。在本文中，我们提出了一种方法，使基于机器学习的威胁防御模型能够通过调整深度生成对抗网络（GAN）来弥合这一差距，该网络扮演恶意软件作者的角色并生成新类型的恶意软件。GAN是在已知恶意软件行为的可逆分布式RGB图像表示上训练的，对API调用ngram序列和对应的术语频率进行编码。生成的图像表示合成恶意软件，可以将其解码回底层API调用序列信息。图像表示不仅被证明是一种通用的技术，结合必要的先验知识，利用卷积神经网络架构进行生成或判别建模，而且还作为一种可视化方法，方便手动软件或恶意软件分类，通过具有跨图像空间分布的各个API ngram信息。此外，我们还建议使用智能定义检测恶意软件的基础上感知散列这些图像。这样的散列可能比不携带任何有意义的相似性度量的加密散列更有效，因此不能很好地推广。
2018-07-30 cs.CR cs.LG stat.ML
DeepCatra: Learning Flow- and Graph-based Behaviors for Android Malware Detection
随着Android恶意软件的不断发展和演变，深度学习已被引入恶意软件检测中，产生了巨大的效果。最近的工作正在考虑混合模型和多视图学习。然而，它们只使用简单的特征，限制了这些方法在实践中的准确性。在本文中，我们提出了DeepCatra，一种用于Android恶意软件检测的多视图学习方法，其模型由双向LSTM（BiLSTM）和图神经网络（GNN）组成。这两种方法都依赖于从静态计算的调用跟踪中提取的特征，这些特征导致了从公共漏洞中派生出的关键API。对于每个Android应用程序，DeepCatra首先构建其调用图并计算到达关键API的调用跟踪。然后，BiLSTM子网使用的时间操作码特征从调用跟踪中提取，而GNN子网使用的流图特征从所有调用跟踪和组件间通信中构建。我们通过将DeepCatra与几种最先进的检测方法进行比较来评估其有效性。在超过18，000个真实世界的应用程序和流行的恶意软件上的实验结果表明，DeepCatra实现了相当大的改进，例如，F1测量值为2.7%至14.6%，这证明了DeepCatra在实践中的可行性。
2022-07-16 cs.CR
FamDroid: Learning-Based Android Malware Family Classification Using Static Analysis
Android是目前世界上使用最广泛的智能手机平台。由于其流行性和开源性，Android恶意软件近年来增长迅速，给用户的隐私带来了极大的风险。恶意软件家族中的恶意软件应用可以具有共同的特征和类似的行为，这对于恶意软件检测和检查是有益的。因此，将Android恶意软件分类到其相应的家族中是恶意软件分析中的重要任务。目前，现有Android恶意软件家族分类研究工作存在的主要问题在于，提取的特征不足以代表恶意软件家族中恶意软件的共同行为特征，且利用单一分类器或静态集成分类器进一步提高分类精度受到限制。在本文中，我们提出了FamDroid，一个基于学习的Android恶意软件家族分类方案，使用静态分析技术。在FamDroid中，从恶意软件应用程序的apk文件中提取显式功能，包括权限、硬件组件、应用程序组件、意图过滤器。此外，从提取的API中生成的隐藏特征用于表示应用程序中的API调用关系。然后，我们设计了一个自适应加权集成分类器，它考虑了样本对每个基分类器的适应性，进行准确的恶意软件家族分类。我们在包含5560个Android恶意应用程序的Drebin数据集上进行了实验。通过与5种传统的机器学习模型和4种最先进的参考方案的比较，证明了FamDroid的优越性。FamDroid可以正确地将98.92%的恶意软件样本分类到它们的家族中，并达到99.12%的F1分数。
2021-01-29 cs.CR
Query-Efficient Black-Box Attack Against Sequence-Based Malware Classifiers
Ben-Gurion University of The Negev（本-古里安大学）
在本文中，我们提出了一个通用的，查询高效的黑盒攻击对基于API调用的机器学习恶意软件分类器。我们通过修改恶意软件的API调用序列和非顺序特征（可打印字符串）来生成对抗性示例，这些对抗性示例将被目标恶意软件分类器错误分类，而不会影响恶意软件的功能。与以前的研究相比，我们的攻击最大限度地减少了所需的恶意软件分类器查询的数量。此外，在我们的攻击中，攻击者必须只知道恶意软件分类器预测的类;攻击者对恶意软件分类器的置信度得分的了解是可选的。我们评估了针对各种恶意软件分类器架构进行攻击时的攻击效果，包括递归神经网络（RNN）变体、深度神经网络、支持向量机和梯度提升决策树。当分类器的置信度得分已知时，我们的攻击成功率约为98%，而当分类器的预测类已知时，攻击成功率为64%。我们实现了四个最先进的查询效率的攻击，并表明我们的攻击需要更少的查询和更少的知识，攻击模型的架构比其他现有的查询效率的攻击，使其实用的攻击基于云的恶意软件分类器以最小的成本。
2020-10-03 cs.CR cs.LG
DaDiDroid: An Obfuscation Resilient Tool for Detecting Android Malware via Weighted Directed Call Graph Modelling
自2012年以来，新的移动恶意软件实例的数量每年增长超过50%，移动应用程序中嵌入的恶意软件可以说是移动平台面临的最严重的安全问题之一。虽然混淆技术成功地用于保护应用程序开发人员的知识产权，但不幸的是，它们也经常被网络犯罪分子用来隐藏移动应用程序中的恶意内容并欺骗恶意软件检测工具。因此，大多数移动恶意软件检测方法无法区分良性和混淆的恶意应用程序。我们通过构建API调用的加权有向图来检查移动应用程序代码的图形特征，并验证恶意应用程序通常具有可用于将其与良性应用程序区分开的结构相似性，即使在严重“污染”的训练集下，其中大多数应用程序都被混淆。我们提出DaDiDroid的Android恶意软件应用程序检测工具，利用API调用的加权有向图的功能来检测（混淆）Android应用程序中的恶意软件代码的存在。我们发现DaDiDroid明显优于MaMaDroid [23]，MaMaDroid是最近提出的恶意软件检测工具，已被证明在干净的非混淆环境中检测恶意软件非常有效。我们评估DaDiDroid的准确性和鲁棒性对几个规避技术使用各种数据集，共43，262良性和20，431恶意软件应用程序。我们发现，DaDiDroid正确标记了高达96%的Android恶意软件样本，同时通过独家使用混淆应用程序的训练集实现了91%的准确率。
2019-08-21 cs.CR
DroidDissector: A Static and Dynamic Analysis Tool for Android Malware Detection
DroidDissector 集成静态与动态分析，从单一位置提取权限、API调用图、操作码、系统调用、网络流量和日志等特征，为Android恶意软件检测提供全面支持。
2023-11-30 cs.CR cs.SE
Malware Classification with Word Embedding Features
恶意软件分类是信息安全领域的一个重要而又具有挑战性的问题。现代恶意软件分类技术依赖于机器学习模型，这些模型可以根据操作码序列、API调用和字节$n$ -gram等特征进行训练。在这项研究中，我们考虑操作码功能。我们实现了混合机器学习技术，在这种技术中，我们通过训练隐马尔可夫模型（一种我们称为HMM 2 Vec的技术）来设计特征向量，并在这些操作码序列上嵌入Word 2 Vec。然后将得到的HMM 2 Vec和Word 2 Vec嵌入向量用作分类算法的特征。具体来说，我们考虑支持向量机（SVM）、$k$ -最近邻（$k$ -NN）、随机森林（RF）和卷积神经网络（CNN）分类器.我们对各种恶意软件家族进行了大量实验。我们的实验远远超出了这一领域以前的任何工作。
2021-03-03 cs.CL cs.CR cs.LG
Explainable Android Malware Detection and Malicious Code Localization Using Graph Attention
本文提出XAIDroid方法，利用图神经网络和图注意力机制对安卓恶意软件API调用图进行建模，自动定位恶意代码片段，从而提升恶意软件分析的可解释性与可扩展性。
2025-03-10 cs.CR
Sequence Feature Extraction for Malware Family Analysis via Graph Neural Network
National Chengchi University（国立政治大学）
恶意软件（malware）对我们的设备和生活造成了很大的危害。我们渴望了解恶意软件的行为及其造成的威胁。大多数恶意软件的记录文件都是可变长度和基于文本的文件，带有时间戳，例如事件日志数据和动态分析配置文件。使用时间戳，我们可以将这些数据分类为基于序列的数据，以便进行以下分析。然而，处理基于文本的可变长度序列是困难的。此外，不同于自然语言文本数据，信息安全中的大多数序列数据具有特定的属性和结构，例如循环、重复调用、噪声等。为了深入分析API调用序列及其结构，我们使用图来表示序列，可以进一步研究信息和结构，例如马尔可夫模型。因此，我们设计并实现了一个用于分析API调用序列的注意力感知图神经网络（AWGCN）。通过AWGCN，我们可以获得序列嵌入来分析恶意软件的行为。分类实验结果表明，AWGCN在类呼叫数据集上的分类性能优于其他分类器，嵌入可以进一步提高经典模型的分类性能。
2022-08-10 cs.AI cs.CR
$μ$Dep: Mutation-based Dependency Generation for Precise Taint Analysis on Android Native Code
Android应用程序中存在的本机代码在触发秘密的不显眼传播和规避恶意软件检测方面发挥着重要作用。然而，用于Android应用程序的最先进的信息流分析工具都具有分析本机代码的有限功能。由于二进制级静态分析的复杂性，大多数静态分析器选择为本地代码的选定部分构建保守模型。虽然最近的语言间分析提高了跟踪本机代码中的信息流的能力，但它仍然远远没有达到专注于非本机Java方法的最先进的信息流分析器的类似效果。为了克服上述限制，我们提出了一个新的分析框架，$μ$ Dep，检测敏感信息流的Android应用程序包含本机代码。在这个框架中，我们结合了基于控制流的静态二进制分析和基于变异的动态分析来对应用程序中的本地代码的污染行为进行建模。根据分析结果，$μ$ Dep为相关的本机函数进行存根生成，以便于最先进的分析器DroidSafe提供本机代码的细粒度污染行为摘要。实验结果表明，与现有的中间语言静态分析方法相比，该框架在准确性上具有竞争力，能够有效地分析真实应用程序和恶意软件中的信息流。
2022-02-27 cs.CR
Virtual Machine Introspection Based Malware Behavior Profiling and Family Grouping
恶意软件的扩散归因于少数原始恶意软件源代码的更改。同源交替出现的恶意软件具有一些共同的内在行为，形成了一个恶意软件家族。当恶意软件首次出现在互联网上时，识别其恶意软件家族可以为减轻威胁提供有用的线索。本文提出了一个恶意软件分析器（VMP），利用虚拟机内省（VMI）技术来分析恶意软件的执行行为。VMP在虚拟机监视器（VMM）中插入插件，以记录调用的API调用及其输入参数和返回值作为恶意软件的配置文件。在本文中，流行的相似性度量Jaccard距离和系统发生树的构建方法来发现恶意软件家族。对恶意软件配置文件的研究表明，来自恶意软件家族的恶意软件彼此非常相似，并且与其他恶意软件家族以及良性软件不同。本文还研究了VMP对现有的反恶意软件检测引擎和一些著名的恶意软件分组方法，比较其恶意软件家族的建设的好处。提出了一种对等投票方法，结果表明，VMP是优于几乎所有的反恶意软件引擎比较，并与微调文本挖掘方法和高阶N-gram方法兼容。我们还建立了一个基于VMP的恶意软件分析网站，用于恶意软件研究。
2017-05-04 cs.CR
Malware Classification Using Static Disassembly and Machine Learning
Dublin City University（都柏林城市大学）；Insight Centre for Data Analytics（洞察数据分析中心）
网络和系统安全现在是非常重要的问题。由于恶意软件的快速扩散，传统的分析方法难以处理大量样本。在本文中，我们提出了四个易于提取和小规模的功能，包括大小和权限的Windows PE部分，内容复杂性，和导入库，分类恶意软件的家庭，并使用自动机器学习搜索最佳模型和超参数为每个功能及其组合。与API序列等详细的行为相关特征相比，建议的特征提供了有关恶意软件的宏观信息。分析基于静态反汇编脚本和十六进制机器码。与动态行为分析不同，静态分析具有资源效率，并提供完整的代码覆盖，但容易受到代码混淆和加密的影响。结果表明，在动态分析中工作良好的特征在应用于静态分析时不一定有效。例如，API 4-gram仅实现57.96%的准确度，并且涉及相对高维度的特征集（5000个维度）。相比之下，新提出的特征与经典的机器学习算法（随机森林）一起呈现出非常好的准确性，达到99.40%，并且特征向量的维数要小得多（40维）。我们通过集成IDA Pro证明了这种方法的有效性，这也有助于收集新的训练样本和随后的模型再训练。
2021-12-10 cs.CR cs.LG
Malware Detection Using Dynamic Birthmarks
San Jose State University（圣何塞州立大学）；Università degli Studi del Sannio（圣尼奥大学）
在本文中，我们探讨了动态分析技术识别恶意软件的有效性，使用隐马尔可夫模型（HMM）和配置文件隐马尔可夫模型（PHHMM），都训练序列的API调用。我们将我们的结果与使用在操作码序列上训练的Hashion的静态分析进行了对比，并表明动态分析在许多情况下获得了明显更强的结果。此外，在对比我们的两个动态分析技术，我们发现，使用PHOTO始终优于我们的分析的基础上的障碍。
2019-01-06 cs.CR cs.LG stat.ML
Black-Box Attacks against RNN based Malware Detection Algorithms
Peking University（北京大学）
最近的研究表明，基于机器学习的恶意软件检测算法在对抗性样本的攻击下非常脆弱。这些工作主要集中在使用具有固定维度的特征的检测算法，而一些研究人员已经开始使用递归神经网络（RNN）来检测基于序列API特征的恶意软件。本文提出了一种新的算法来生成序列对抗性的例子，这是用来攻击基于RNN的恶意软件检测系统。恶意攻击者通常很难知道受害RNN的确切结构和权重。替代RNN被训练成近似受害者RNN。然后，我们提出了一个生成RNN，从原始的序列恶意软件输入中输出序列对抗性示例。实验结果表明，基于RNN的恶意软件检测算法无法检测到大多数恶意对抗样本，这意味着该模型能够有效地绕过检测算法。
2017-05-23 cs.CR cs.LG
Similarity-based Android Malware Detection Using Hamming Distance of Static Binary Features
Shiraz University of Technology（设拉子理工大学）；University of Padua（帕多瓦大学）
在本文中，我们开发了四种恶意软件检测方法，使用汉明距离找到样本之间的相似性，这是第一近邻（FNN），所有最近的邻居（ANN），加权所有最近的邻居（WANN），和基于k-中心点的最近的邻居（KMNN）。在我们提出的方法中，如果我们检测到Android应用程序是恶意的，我们可以触发警报。因此，我们的解决方案可以帮助我们避免检测到的恶意软件在更大范围内传播。我们提供了一个详细的描述所提出的检测方法和相关算法。我们包括一个广泛的分析，以评估我们提出的基于相似性的检测方法的适用性。通过这种方式，我们在三个数据集上进行了实验，包括良性和恶意Android应用程序，如Drebin，Contagio和Genome。因此，为了证实我们的分类器的实际有效性，我们进行了性能比较与一些国家的最先进的分类和恶意软件检测算法，即混合和分离的解决方案，基于熵（PDME）和FalDroid算法的程序相异性度量。我们在不同类型的特征中测试我们的实验：这三个数据集上的API，意图和权限特征。结果证实，所提出的算法的准确率超过90%，并且在某些情况下（即，考虑到API功能）的性能超过99%，与现有的最先进的解决方案相当。
2019-11-27 cs.CR cs.LG cs.NE
AiDroid: When Heterogeneous Information Network Marries Deep Neural Network for Real-time Android Malware Detection
West Virginia University（西弗吉尼亚大学）；Tencent（腾讯）
Android恶意软件的爆炸式增长和日益复杂化要求新的防御技术能够保护移动用户免受新的威胁。本文首先从Android应用中提取运行时应用程序编程接口（API）调用序列，然后分析生态系统内的高层语义关系，全面表征应用程序。要对不同类型的实体建模（即，应用、API、IMEI、签名、关联）以及它们之间丰富的语义关系，构造了一个结构化异构信息网络（HIN），并提出了基于元路径的方法来刻画应用之间的关联性。为了有效地对节点进行分类（例如，apps）在构造的HIN中，我们提出了HinLearning方法，首先获得样本内节点嵌入，然后学习样本外节点的表示，而无需在第一次尝试时重新运行/调整HIN嵌入。之后，我们设计了一个深度神经网络（DNN）分类器，将学习到的HIN表示作为Android恶意软件检测的输入。通过腾讯安全实验室的大规模真实样本集进行了全面的实验研究，以比较各种基线。实验结果表明，我们开发的系统AiDroid集成了我们提出的方法，在实时的【形】Android恶意软件检测方面优于其他系统。AiDroid已经被纳入腾讯移动安全产品，服务于全球数百万用户。
2019-05-20 cs.CR cs.LG
IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense
Department of Computer and Information Sciences, Northumbria University（北安普顿大学计算机与信息科学系）；School of Computing, Engineering & Digital Technologies, Teesside University（泰赛大学计算、工程与数字技术学院）
本文提出基于图神经网络的Android恶意软件检测方法，并设计VGAE-MalGAN对抗攻击算法以提升检测鲁棒性。
2025-12-23 cs.AI cs.CR cs.LG
The Sound of Malware: A Memory Forensics Approach for Android Malware Analysis via Audio Signals
Università degli Studi di Cagliari（卡利亚里大学）；Università Roma Sapienza（罗马大学）；CINI, Consorzio Interuniversitario Nazionale per l’Informatica（意大利国家信息学大学联盟）
提出一种内存取证框架，将Android恶意软件的静态字节码和内存快照转换为音频波形，利用频谱描述符、CNN和Transformer嵌入实现高达98.0%的准确率。
2026-06-05 cs.CR
BPFroid: Robust Real Time Android Malware Detection Framework
我们提出了BPFroid --一个新的Android动态分析框架，它使用Linux内核的eBPF技术来连续监视在真实设备上运行的用户应用程序的事件。所监视的事件是从Android软件堆栈的不同组件收集的：内部内核函数、系统调用、本机库函数和Java API框架。由于BPFroid在内核中挂钩了这些事件，恶意软件无法轻易绕过监控。此外，使用eBPF不需要对Android系统或监控的应用程序进行任何更改。我们还将BPFroid与其他恶意软件检测方法进行了分析比较，并通过开发新的签名来检测基于它的可疑行为来展示其用途。然后使用真实应用程序对这些签名进行评估。我们还演示了如何BPFroid可以用来捕捉法医文物作进一步调查。我们的研究结果表明，BPFroid成功地在实时的报警时，一个可疑的行为签名被检测到，而不会产生显着的运行时性能开销。
2021-05-29 cs.CR
Towards Quantum Machine Learning for Malicious Code Analysis
Department of Computer Science, University of Texas at El Paso（计算机科学系，德克萨斯理工大学）
本文研究QMLP和QCNN两种混合量子-经典模型在恶意软件分类中的应用，在五个数据集上验证了二分类和多分类性能，发现QMLP在复杂多分类任务中更优，而QCNN训练效率更高但准确率较低。
2025-08-26 cs.CR cs.LG
Android Malware Detection using Large-scale Network Representation Learning
近年来，随着移动设备和应用的不断发展，恶意软件的数量也在迅速增加，这就需要开发先进有效的恶意软件检测方法。传统的方法，如基于签名的方法，无法保护用户免受越来越多的新型恶意软件或快速恶意软件行为变化的影响。本文提出了一种基于深度学习和静态分析的Android恶意软件检测方法。我们不再只使用应用程序编程接口（API），而是进一步分析Android应用程序的源代码，并创建其更高级别的图形语义，这使得攻击者更难逃避检测。特别是，我们使用一个调用图的方法调用在Android应用程序来表示应用程序，并进一步分析方法属性，形成一个结构化的程序表示图（PRG）与节点属性。然后，我们使用图卷积网络（GCN）通过将整个图嵌入到密集向量中来产生应用程序的图表示，并对其是否是恶意软件进行分类。为了有效地训练这样的图卷积网络，我们提出了一个批量训练方案，允许多个异构图作为一批输入。据我们所知，这是第一个使用图表示学习进行恶意软件检测的工作。我们进行了广泛的实验，从现实世界的样本集合，并证明我们开发的系统优于其他多种现有的恶意软件检测技术。
2018-12-11 cs.CR
A Family of Droids -- Android Malware Detection via Behavioral Modeling: Static vs Dynamic Analysis
随着移动生态系统的日益普及，网络犯罪分子越来越多地将其作为目标，设计和分发恶意应用程序，窃取信息或对设备所有者造成伤害。针对这些问题，提出了基于静态或动态分析的Android恶意软件检测技术。虽然这些分析技术的优点和缺点是已知的，但它们通常在其局限性的背景下进行比较，例如，静态分析无法捕获运行时行为，在动态分析过程中通常无法实现完整的代码覆盖等。然而，在本文中，我们分析了静态和动态分析方法在Android恶意软件检测中的性能，并尝试使用相同的建模方法比较它们的检测性能。为此，我们构建了MaMaDroid，这是一种最先进的检测系统，它依赖于静态分析来根据抽象API调用序列创建行为模型。然后，为了在动态分析设置中应用相同的技术，我们修改了CHIMP，这是一个最近提出的用于应用程序测试的众包人工输入的平台，以便从在CHIMP虚拟设备上执行应用程序时产生的跟踪中提取API调用序列。我们称这个系统为AuntieDroid，并通过使用自动（Monkey）和用户生成的输入来实例化它。我们发现，结合静态和动态分析产生最好的性能，F-措施达到0.92。我们还表明，静态分析至少与动态分析一样有效，这取决于应用程序在执行过程中是如何被刺激的，最后，调查了不同方法之间不一致的错误分类的原因。
2018-07-13 cs.CR
FDM: A Framework for Decision-making to build ML-based Malware detection systems
College of Computing Prince of Songkla University（诗纳卡琳威洛大学计算机学院）
提出FDM框架，通过加权配置兼容性评分（WCCS）多准则函数，将五个操作参数映射到九个配置维度的排序推荐，实验验证了最优ML配置依赖于部署环境。
2026-06-05 cs.CR
A Hybrid Approach For Malware Classification Using Secondary Features Fusion
Mid Sweden University（中瑞典大学）；Arbisoft (Pvt.) Ltd.（Arbisoft私人有限公司）；Chalmers University of Technology（查尔姆斯理工大学）
提出一种通过融合API调用和n-gram特征，并采用投票集成算法进行恶意软件检测与家族分类的方法，在Microsoft数据集上达到99.72%准确率和0.989 AUC。
2026-06-02 cs.AI cs.CR cs.LG
Malware Detection using Attribute-Automata to parse Abstract Behavioral Descriptions
大多数恶意软件的行为检测器仍然特定于给定的语言和平台，主要是Windows的PE可执行文件。本文的目的是定义一个通用的方法，行为检测的基础上，分别负责抽象和检测两个层次。第一个抽象层仍然特定于一个平台和一种语言。第一层解释收集的指令、API调用和参数，并根据恶意软件生命周期中的目的对这些操作以及所涉及的对象进行分类。第二个检测层仍然是通用的，并且完全可以在不同的抽象组件之间互操作。这一层依赖于并行自动机解析属性语法，其中语义规则用于对象类型（对象分类）和对象绑定（数据流）。饲料检测和实验我们的方法，我们已经开发了两个不同的抽象组件：一个处理本地代码的系统调用跟踪和一个处理VBScript解释语言。不同的实验提供了有希望的检测率，特别是对于脚本文件（89%），几乎没有误报。在过程跟踪的情况下，检测率仍然很高（51%），但可以通过更复杂的收集工具来提高。
2009-02-02 cs.CR
Evading Malware Classifiers via Monte Carlo Mutant Feature Discovery
University of Maryland Baltimore County（马里兰大学巴尔的摩郡分校）；Booz Allen Hamilton（博思艾伦汉密尔顿控股公司）
由于新恶意软件的涌入、不断变化的威胁环境以及机器学习方法发现恶意软件和良性软件之间有意义的区别的能力，机器学习的使用已经成为恶意软件检测工作的重要组成部分。反病毒供应商也已经开始广泛利用基于动态和静态恶意软件分析特征的恶意软件分类器。因此，恶意软件作者可能会针对机器学习模型进行规避性二进制修改，作为恶意软件开发生存周期的一部分，以成功执行攻击。这使得研究可能的分类规避策略成为网络防御恶意攻击的重要组成部分。为此，我们设计了一个灰盒设置来分析恶意软件作者不知道目标分类器算法的情况，并且无法访问分类器做出的决策，但知道训练中使用的特征。在这个实验中，恶意行为者使用EMBER-2018数据集训练代理模型，以发现导致实例通过蒙特卡罗树搜索被错误分类的二进制突变。然后，变异的恶意软件被发送到受害者模型，该模型取代了防病毒API，以测试它是否可以逃避检测。
2021-06-15 cs.CR cs.LG
On the Effectiveness of Binary Emulation in Malware Classification
恶意软件作者正在不断发展他们的代码库，以包括反分析方法，这些方法可能会严重阻碍他们的检测和阻止。虽然恶意软件在沙箱环境中的执行可以提供关于恶意软件在机器中实际做什么的许多有见地的反馈，但是反虚拟化和钩挂规避方法可以允许恶意软件绕过这样的检测方法。这项工作的主要目标是使用二进制仿真框架来补充沙箱执行。核心思想是利用二进制仿真框架可以比沙箱环境更快地快速测试样本的事实，因为它们不需要打开一个全新的虚拟机来执行二进制。虽然使用这种方法，我们失去了可以通过沙箱收集的数据的粒度，但由于可扩展性问题，人们可能需要简单地确定文件是否是恶意的或者它属于哪个恶意软件家族。为此，我们记录执行的API调用，并使用它们来探索使用它们作为二进制和多类分类特征的有效性。我们对真实世界恶意软件的广泛实验表明，这种方法非常准确，通过一组统计上稳健的分类实验实现了最先进的结果，同时与传统沙箱方法相比，计算开销相对较低。事实上，我们将二进制分析结果与商业沙箱进行了比较，我们的分类优于商业沙箱，但牺牲了沙箱提供的细粒度结果。
2022-04-08 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
Behavior-Centric Malware Classification with Fine-Grained Malicious Logic Localization
Gianforte School of Computing, Montana State University（蒙大拿州立大学吉安福特计算机学院）；College of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）
本文提出一种以行为为中心的恶意软件分类框架，通过上下文敏感切片和行为图表示，结合Transformer与图神经网络，实现细粒度的恶意逻辑定位与准确分类。
2026-10-01 cs.CR
