PrivacyProxy: Leveraging Crowdsourcing and In Situ Traffic Analysis to Detect and Mitigate Information Leakage
许多智能手机应用程序传输个人身份信息（PII），通常在用户不知情的情况下。为了解决这个问题，我们提出了PrivacyProxy，一个监控出站网络流量并生成应用程序特定签名以表示共享的敏感数据的系统。PrivacyProxy使用基于人群的方法，通过匿名组合来自同一应用程序的不同用户的签名，以自适应和可扩展的方式检测可能的PII。此外，我们不观察用户的网络流量，而是依赖于散列签名。我们提出了PrivacyProxy的设计和实施，并评估它与实验室研究，现场部署，用户调查，并与以前的工作进行比较。我们的现场研究表明，PrivacyProxy可以自动检测PII，F1得分为0.885。PrivacyProxy在500个最受欢迎的应用程序的对照实验中也获得了0.759的F1分数。F1得分也提高到0.866，其中40个应用程序最初具有最多的误报，并添加了额外的训练数据。我们还显示，使用PrivacyProxy的性能开销在8.6%到14.2%之间，略高于使用标准未修改的VPN，大多数用户报告对电池寿命或网络没有明显的影响。
2018-10-26 cs.CR
hybrid-Falcon: Hybrid Pattern Malware Detection and Categorization with Network Traffic and Program Code
如今，Android是移动生态系统中最具统治力的操作系统，每天有数十亿人使用其应用程序。正如预期的那样，这种趋势并没有被歹徒忽视，Android成为通过恶意应用程序发现新受害者的最佳平台。此外，这些应用程序已经变得如此复杂，以至于它们可以绕过反恶意软件措施来保护用户。因此，我们可以肯定地承认，传统的反恶意软件技术已经变得很麻烦，这引发了开发一种有效的方法来检测Android恶意软件的冲动。本文介绍了一个混合模式的Android恶意软件检测和分类框架hybrid-Flacon。它结合了Android恶意软件的动态和静态特征，这些特征来自网络流量和代码图结构。在混合Flacon中，我们将网络流量视为动态特征，并将其作为2D图像序列进行处理。同时，hybrid-Flacon将数据包中的每个网络流作为2D图像处理，并使用双向LSTM网络来处理这些2D图像序列，以获得表示网络数据包的向量。我们使用程序代码图的静态功能，并介绍自然语言处理（NLP）启发的技术上的函数调用图（FCG）。我们设计了一种基于图神经网络的方法来将Android应用程序的整个图结构转换为向量。最后，我们利用这些转换的向量，网络和程序代码的功能，并连接它们来检测和分类的恶意软件。我们的研究结果表明，混合Flacon产生更好的结果，因为我们得到97.16%的准确率平均恶意软件检测和88.32%的准确率恶意软件分类。此外，我们…
2022-01-22 cs.CR
Clicktok: Click Fraud Detection using Traffic Analysis
广告是数百万网站和智能手机应用程序（发布商）创收的主要手段。当然，一小部分出版商滥用广告网络系统地骗取广告商的钱。防御措施已经成熟，可以克服某些形式的点击欺诈，但不足以抵御有机点击欺诈攻击的威胁。包括蜜罐在内的恶意软件检测系统无法阻止点击欺诈应用程序;广告网络过滤器更好，但测量研究报告称，广告网络提供的点击中有三分之一是虚假的;广告网络和应用商店之间的合作，将恶意应用程序列入坏名单，效果更好，但未能阻止犯罪分子编写欺诈应用程序，直到他们被禁止并重新开始。这项工作开发了新的推理技术，可以隔离点击欺诈攻击使用其基本属性。在{ \em模仿防御}中，我们利用了自然点击欺诈涉及合法点击的重复使用这一观察结果。因此，我们可以通过检测广告网络点击流中的点击重复使用模式来隔离虚假点击，并将历史行为作为基线。第二，{ \em诱饵点击防御}。我们利用广告网络的优势，将诱饵点击模式注入用户的设备，以触发点击欺诈应用程序，这些应用程序根据用户行为进行门控。我们的实验表明，模仿防御检测到约81%的虚假点击在隐形（低利率）的攻击，假阳性率为110110每十万次点击。诱饵点击防御能够进一步提高95%的检测率，并将假阳性率降低到每百万次点击0到30次之间，这是对当前方法的重大改进。
2019-03-26 cs.CR
OVRseen: Auditing Network Traffic and Privacy Policies in Oculus VR
虚拟现实（VR）是一种新兴技术，它可以实现新的应用，但也会带来隐私风险。在本文中，我们重点介绍了VR领域的领先平台Oculus VR（OVR），并从网络和隐私政策的角度，首次全面分析了OVR应用程序和平台本身暴露的个人数据。我们试用了Quest 2头显，并测试了Oculus官方和SideQuest应用商店中最受欢迎的VR应用程序。我们开发了OVRseen，一种用于收集、分析和比较OVR上的网络流量和隐私策略的方法和系统。在网络方面，我们捕获并解密了VR应用程序的网络流量，这在OVR上是不可能的，我们提取了数据流，定义为<app，数据类型，目的地>。与移动和其他应用生态系统相比，我们发现OVR更加集中，并且由跟踪和分析驱动，而不是由第三方广告驱动。我们展示了VR应用程序暴露的数据类型包括个人身份信息（PII）、可用于指纹识别的设备信息以及VR特定的数据类型。通过将网络流量中发现的数据流与应用程序隐私政策中的声明进行比较，我们发现大约70%的OVR数据流没有正确披露。此外，我们从隐私政策中提取了额外的上下文，我们观察到69%的数据流用于与应用程序核心功能无关的目的。
2021-11-19 cs.CR cs.NI
Securing Big Data from Eavesdropping Attacks in SCADA/ICS Network Data Streams through Impulsive Statistical Fingerprinting
当来自监控和数据采集（SCADA）系统的数据被发送到上游时，脉冲的长度以及它们的频率都为结合统计指纹提供了极好的机会。之所以如此，是因为SCADA流量中的数据报遵循有毒分布。虽然将SCADA流量包装在保护性的数据流中是一个显而易见的选择，但瘦客户端和不可靠的通信通道使得使用加密解决方案来安全SCADA流量并不理想。在本文中，我们提出了一种智能的数据混淆的形式脉冲统计指纹（ISF）。我们为我们在医疗SCADA数据安全和ISF使用方面的研究提供了重要见解。我们通过ISF到HL7格式的传感器数据的转换，并定义一个无缝切换到一个非基于HL7的非安全HIS到安全HIS的策略。
2019-09-02 cs.CR cs.NI
From Emulation to Mathematical: A More General Traffic Obfuscation Approach To Encounter Feature based Mobile App traffic Classification
移动应用程序的使用在这个数字时代是无懈可击的。虽然每天都会产生大量数据，但用户隐私安全问题成为一个重要问题。如今，大量的技术，如机器学习和深度学习流量分类器，已被应用于分析用户的应用程序流量。这些技术允许监控器在用户流量仍然加密的情况下获取使用应用程序的指纹，这会引发严重的隐私问题。为了对抗这种类型的数据分析，人们一直在研究混淆算法，通过修改分组长度分布来混淆基于特征的机器学习分类器与数据伪装。现有的工作通过将流量包长度分布从源应用重新映射到虚假伪装应用来实现这一目标。然而，该解决方案在实际应用中缺乏可扩展性和灵活性，因为该方法需要在使用流量伪装之前对目标虚假应用流量进行预采样。在本文中，我们提出了一种实用的解决方案，通过使用数学模型来计算目标分布，同时保持AppScanner移动流量分类器性能至少50%的准确率下降，以及数据包修改期间产生的大约20%的开销。
2023-02-06 cs.CR cs.NI
Penetrating the Reality Wall: Long-Range and Through-Wall AR/VR Privacy Eavesdropping via Wireless Power Side Channel
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；National University of Singapore（新加坡国立大学）；City University of Hong Kong（香港城市大学）
本文提出MetaSpy攻击，通过穿墙长距离捕获Wi-Fi无线功率侧信道，可推断AR/VR用户的多级隐私行为，攻击距离远超同类研究，还提出了对应的防御对策。
2026-10-14 cs.CR
Statistical Feature-based Personal Information Detection in Mobile Network Traffic
School of Computer, National University of Defense Technology（国防科技大学计算机学院）
随着智能手机的普及，移动应用（app）已经渗透到人们的日常生活中。虽然应用程序提供了丰富的功能，但它们也同时访问大量的个人信息。因此，隐私问题引起了关注。为了了解应用程序收集了哪些个人信息，提出了许多解决方案来检测应用程序中的隐私泄露。近年来，基于流量监测的隐私泄漏检测方法表现出良好的性能和较强的可扩展性。但是，它仍然有一些缺点。首先，它遭受检测个人信息的泄漏与混淆。其次，它不能发现未定义类型的隐私泄漏。针对上述问题，提出了一种基于流量监测的个人信息检测方法。本文设计了个人信息的统计特征来刻画个人信息在流量中的出现模式，包括局部模式和全局模式。然后基于机器学习算法训练检测器，以发现具有相似模式的潜在个人信息。由于统计特征与个人信息的值和类型无关，因此经过训练的检测器能够识别各种类型的隐私泄漏和混淆的隐私泄漏。据我们所知，这是第一个基于统计特征检测个人信息的工作。实验结果表明，该方法能够取得比现有方法更好的性能。
2021-12-23 cs.CR cs.LG
Mitigating Location Privacy Attacks on Mobile Devices using Dynamic App Sandboxing
我们提出了一个系统，称为矩阵，开发保护隐私的移动终端用户从位置推断和传感器侧信道攻击的设计，实施和评估。MATRIX为用户提供了对位置和传感器的控制和可见性（例如，加速度计和陀螺仪）通过移动应用程序访问。它实现了一个PrivoScope服务，可以审计设备上应用程序的所有位置和传感器访问，并生成实时通知和图形以可视化这些访问;以及一个合成位置服务，使用户能够向他们认为有用但不信任其私人信息的应用程序提供模糊或合成的位置轨迹或传感器跟踪。这些服务的设计目的是可扩展且易于用户使用，从而向他们隐藏所有潜在的复杂性。MATRIX还实现了一个位置提供程序组件，该组件通过使用来自Google Maps Directions API的历史数据整合交通信息，并使用来自用户驾驶实验的统计信息整合加速度，为用户生成真实的隐私保护合成身份和轨迹。通过使用随机线性规划建模/求解用户调度和使用二次规划建模/求解用户驾驶行为来生成随机交通模式。我们使用用户研究、流行的位置驱动应用程序和机器学习技术对MATRIX进行了广泛的评估，并证明它可移植到全球大多数Android设备上，可靠，开销低，生成的合成轨迹难以与对手的真实移动轨迹区分开来。
2018-08-13 cs.CR
FraudDroid: Automated Ad Fraud Detection for Android Apps
虽然移动广告欺诈已经普遍存在，但文献中的最先进方法主要集中在检测所谓的静态放置欺诈，其中仅涉及单个UI状态，并且可以基于静态信息（例如广告视图的大小或位置）进行识别。存在其他类型的欺诈，涉及多个UI状态，并在用户与应用程序交互时动态执行。这种动态交互欺诈，虽然现在在应用程序中广泛传播，但尚未在文献中探索或解决。在这项工作中，我们调查了广泛的移动广告欺诈，为研究界提供了一个全面的分类。然后，我们提出，FraudDroid，一种新的混合方法来检测移动Android应用程序中的广告欺诈。FraudDroid动态分析应用程序以构建UI状态转换图，并收集其相关的运行时网络流量，然后利用这些流量来检查一组基于广告的规则，以识别广告欺诈行为。我们的经验表明，FraudDroid检测广告欺诈的准确率（93%）和召回率（92%）都很高。实验结果进一步表明，FraudDroid能够检测各种欺诈类型的广告欺诈。通过分析12，000个支持广告的Android应用程序，FraudDroid确定了与20个广告网络相关的335个欺诈案例，这些案例被进一步证实是真正的积极结果，并与我们的研究人员分享，以促进先进的广告欺诈检测
2018-06-13 cs.CR
Beyond Permissions: A Configuration-Aware Empirical Assessment of Privacy Exposure in Children-Oriented and General-Audience Mobile Gaming Apps
Computer Science Department, Jamoum University College, Umm Al-Qura University（乌姆·古拉大学贾穆姆大学学院计算机科学系）
本文通过三阶段方法分析Android游戏隐私风险，发现儿童游戏虽请求权限较少，但配置层面风险高且嵌入第三方跟踪SDK，为隐私设计提供改进方向。
2026-03-30 cs.CR
ReCon: Revealing and Controlling PII Leaks in Mobile Network Traffic
众所周知，在移动设备上运行的应用广泛地跟踪和泄露用户的个人可识别信息（PII）;然而，这些用户对通过其设备生成的网络流量泄露的PII几乎没有可见性，并且对第三方如何、何时以及在何处发送和处理该流量的控制很差。在本文中，我们提出了ReCon的设计，实现和评估：一个跨平台的系统，揭示PII泄漏，并让用户控制它们，而不需要任何特殊的权限或自定义操作系统。ReCon利用机器学习通过检查网络流量来揭示潜在的PII泄漏，并提供可视化工具，使用户能够通过阻止或替换PII来控制这些泄漏。我们通过使用100个最流行的iOS，Android和Windows Phone应用程序的泄漏进行对照实验，并通过IRB批准的92名参与者的用户研究来评估ReCon的有效性。我们表明，ReCon是准确的，高效的，并确定了更广泛的PII比以前的方法。
2016-08-19 cs.CR cs.NI
LeakSemantic: Identifying Abnormal Sensitive Network Transmissions in Mobile Applications
移动应用程序（app）经常通过网络传输各种意图的敏感数据。需要一些传输来实现应用程序的功能。然而，与恶意接收者的传输可能导致隐私泄露，并且倾向于隐秘地行为以逃避检测。问题是双重的：如何在移动应用程序中揭露敏感传输，以及如何确定敏感传输是否合法？在本文中，我们提出了LeakSemantic，这是一个可以自动定位移动应用程序中异常敏感网络传输的框架。LeakSemantic由一个混合程序分析组件和一个机器学习组件组成。我们的程序分析组件结合了静态分析和动态分析，可精确识别敏感的变速器。与现有的污点分析方法相比，LeakSemantic实现了更高的准确性，误报更少，并且能够收集每次传输的网络流量等运行时数据。基于从运行时数据导出的特征，构建机器学习分类器以进一步区分合法和非法披露。实验表明，LeakSemantic在1404个应用程序的2279个敏感连接上达到了91%的准确率。
2017-02-07 cs.CR
MAppPrint: Robust and Real-time Mobile App Fingerprinting via Traffic Behavior Correlation Graphs
MOE KLINNS Lab, Xi’an Jiaotong University（西安交通大学教育部知识工程实验室）；The Hong Kong Polytechnic University（香港理工大学）；PolyU Research Centre for Privacy and Security Technologies in Future Smart Systems（香港理工大学未来智慧系统隐私与安全技术研究）
本文提出MAppPrint框架，通过流量行为关联图建模应用流量，结合指纹压缩与无监督分解策略，实现鲁棒实时的移动应用指纹识别，在精度和时效性上均优于现有方法。
2026-10-16 cs.CR cs.NI
MadDroid: Characterising and Detecting Devious Ad Content for Android Apps
广告推动了移动应用生态系统的经济发展。作为移动广告商业模式中的关键组成部分，移动广告内容一直被研究界所忽视，这带来了许多威胁，例如，传播恶意软件和不良内容。为了了解这些不正当广告行为的做法，我们对通过自动化应用程序测试收集的应用程序内容进行了大规模研究。在这项工作中，我们首先提供了一个全面的分类不正当的广告内容，包括五种行为属于两个类别：\emph{ad loading content}和\emph{ad clicking content}。然后，我们提出了MadDroid，一个框架，用于自动检测不正当的广告内容。MadDroid利用自动化应用程序测试框架和复杂的广告视图探索策略，有效收集广告相关的网络流量，并随后提取广告内容。然后，我们将专门的方法集成到框架中，以识别不正当的广告内容。我们已经将MadDroid应用于40，000个Android应用程序，发现大约6%的应用程序提供了不正当的广告内容，例如，分发无法通过传统应用市场下载的恶意应用。实验结果表明，不正当的广告内容是普遍存在的，这表明我们的社区应该投入更多的精力来检测和缓解不正当的广告，以建立一个值得信赖的移动广告生态系统。
2020-02-05 cs.CR cs.SE
T2T: Captioning Smartphone Activities Using Mobile Traffic
Zhengzhou University（郑州大学）；Durham University（杜伦大学）
本文提出T2T系统，通过加密移动流量生成智能手机活动描述，解决语义鸿沟和文本标注不足问题，实现高可读性文本生成。
2026-04-07 cs.CR
IoTGaze: IoT Security Enforcement via Wireless Context Analysis
物联网（IoT）已成为服务自动化、监控和互联等方面最有前途的技术，但物联网带来的安全和隐私问题引起了人们的关注。最近的研究重点是通过查看平台和应用程序内部来解决安全问题。在这项工作中，我们创造性地改变角度来考虑安全问题，从无线上下文的角度来看。我们提出了一个名为IoTGaze的新框架，它可以通过无线流量分析发现物联网系统中的潜在异常和漏洞。通过嗅探加密的无线流量，IoTGaze可以自动识别应用和设备之间的事件顺序交互。我们发现时间事件依赖性，并为物联网系统生成无线上下文。同时，我们从物联网应用的描述和用户界面中提取反映用户期望的物联网上下文。如果无线上下文与预期的IoT上下文不匹配，则IoTGaze报告异常。此外，IoTGaze可以通过隐藏的渠道（如温度和光照）发现应用程序间交互导致的漏洞。我们在Samsung SmartThings平台上提供了我们框架的概念验证实施和评估。评估表明，IoTGaze可以有效地发现异常和漏洞，从而大大增强物联网系统的安全性。
2020-06-29 cs.CR cs.NI
Discovering and Understanding the Security Hazards in the Interactions between IoT Devices, Mobile Apps, and Clouds on Smart Home Platforms
灵巧家庭将数十个家庭设备连接到互联网，物联网云运行各种家庭自动化应用程序。在带来前所未有的便利性和可访问性的同时，也给用户带来了各种安全隐患。以前的研究从几个方面研究了灵巧家庭的安全性。然而，我们发现，参与实体之间的相互作用的复杂性（即，设备、物联网云和移动应用程序）尚未得到系统的研究。在这项工作中，我们对五个广泛使用的灵巧家庭平台进行了深入分析。结合固件分析、网络流量拦截和黑盒测试，我们对参与实体之间的交互细节进行了逆向工程。在此基础上，我们分别推导出了三个实体的合法状态转换图。使用这些状态机作为参考模型，我们确定了一组意外的状态转换。为了确认和触发意外的状态转换，我们实现了一组幻影设备来模拟真实设备。通过指示幻影设备干预正常的实体间交互，我们发现了几个新的漏洞和一系列针对现实世界灵巧家庭平台的攻击。
2019-06-26 cs.CR cs.NI
mopri - An Analysis Framework for Unveiling Privacy Violations in Mobile Apps
TU Dresden（德累斯顿工业大学）；SDTB, Germany（萨克森州数字与技术创新中心）
mopri是一种用于分析移动应用隐私合规性的框架，通过整合静态和动态分析方法，提供模块化流程以检测隐私侵犯。
2026-02-03 cs.CR cs.CY
Don't Trust the Super-App: A Case Study of Russia's Max
University of Michigan（密歇根大学）；University of Calgary（卡尔加里大学）；Georgia Institute of Technology（佐治亚理工学院）；Indian Institute of Technology, Delhi（德里印度理工学院）
本研究以俄罗斯 Max 为例，揭示超级应用因架构特权可静默破坏小程序安全与隐私，呼吁移动系统干预。
2026-09-11 cs.CR cs.CY
Listen to Minority: Encrypted Traffic Classification for Class Imbalance with Contrastive Pre-Training
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Amazon（亚马逊）；Zhongguancun Laboratory（中关村实验室）；China Assets Cybersecurity Technology CO.,Ltd.（中资网络安全科技有限公司）
针对加密流量分类中类别不平衡和流量同质性问题，提出基于对比预训练和半监督优化的PASS框架，在四个公共数据集上显著提升F1值。
2023-09-06 cs.CR cs.LG
