Evaluating LLMs for Obfuscation Detection and Classification in Android Apps
IMT School for Advanced Studies Lucca(卢卡高等研究学院);Interdisciplinary Centre for Security, Reliability and Trust(安全、可靠性和信任跨学科中心);University of Verona(维罗纳大学);University of Genoa(热那亚大学)
本研究通过大规模实验评估大型语言模型(LLMs)在无需手工规则或训练的情况下,通过语义推理检测Android应用中的代码混淆,并与现有SAST方法对比。
2026-06-15 cs.CR cs.SE
DMLDroid: Deep Multimodal Fusion Framework for Android Malware Detection with Resilience to Code Obfuscation and Adversarial Perturbations
提出DMLDroid,一种基于多模态融合的Android恶意软件检测框架,融合权限与意图、DEX文件和API调用特征,在CICMalDroid 2020数据集上实现高准确率,并在代码混淆与对抗攻击下保持强鲁棒性。
2025-09-14 cs.CR
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
Light up that Droid! On the Effectiveness of Static Analysis Features against App Obfuscation for Android Malware Detection
University of the Basque Country UPV/EHU(巴斯克大学 UPV/EHU);University of Genoa(热那亚大学);CASD - Centre for Advanced Defense Studies(高级防御研究中心(CASD))
本文评估了特定混淆技术对Android静态分析特征的影响,发现部分特征在混淆下仍保持有效性,并据此提出了一种抗混淆且优于现有技术的ML恶意软件检测器。
2023-10-24 cs.CR cs.LG cs.SE
ASTANA: Practical String Deobfuscation for Android Applications Using Program Slicing
Android开发人员广泛使用软件混淆来保护其应用程序的源代码免受对抗性逆向工程的影响。一种特定类型的混淆,字符串混淆,将源代码中所有字符串文字的内容转换为不可解释的文本,并插入逻辑以在运行时对这些字符串文字进行去混淆。在这项工作中,我们证明了字符串混淆是很容易可逆的。我们提出ASTANA,Android应用程序的实用工具,以恢复人类可读的内容从混淆字符串字面量。ASTANA对混淆逻辑或应用程序结构做了最少的假设。关键思想是为特定(模糊)字符串字面量执行去模糊逻辑,这会产生原始字符串值。为了获得相关的去混淆逻辑,我们提出了一个轻量级的乐观算法,基于程序切片技术。通过对100个流行的真实金融应用的实验评估,我们证明了ASTANA的实用性。我们验证了我们的去混淆工具的正确性,并提供了由开发人员评估的Android应用程序的字符串混淆器的行为的见解。
2021-04-06 cs.CR cs.SE
Comment on "AndrODet: An adaptive Android obfuscation detector"
Linköping University(林雪平大学)
我们已经确定了Mirzaei等人在最近的论文“AndrODet:An adaptive Android obfuscation detector”中描述的AndrODet系统的字符串加密检测能力的经验评估中的方法问题。使用AMD和PraGuard恶意软件数据集的样本评估字符串加密检测的准确性。然而,作者没有考虑到许多AMD样本高度相似的事实,因为它们来自同一个恶意软件家族。这引入了在这些样本上训练的机器学习系统可能无法学习用于字符串加密检测的可推广模型的风险,并且可能改为学习基于每个恶意软件家族的特征对样本进行分类。我们自己的评估强烈表明,AndrODet的字符串加密检测的高准确性确实是由于这种现象。当我们评估AndrODet时,我们发现当我们确保来自同一家族的样本从未出现在训练和测试数据中时,准确率下降到50%左右。此外,PraGuard数据集不适合评估静态字符串加密检测器(如AndrODet),因为用于有效生成数据集的特定混淆工具使其无法提取Android应用程序中静态字符串的有意义特征。
2020-01-18 cs.CR cs.LG
Contrastive Learning for Robust Android Malware Familial Classification
Android操作系统由于其开放源代码的特性,一直是攻击者利用的主要目标。恶意软件创建者总是在他们的应用程序上执行不同的代码混淆来隐藏恶意活动。通过程序分析从这些混淆样本中提取的特征包含许多无用和伪装的特征,这导致了许多假阴性。为了解决这个问题,在本文中,我们证明了混淆弹性恶意软件家族分析可以通过对比学习来实现。我们的分析背后的关键见解是,对比学习可以用来减少混淆所引入的差异,同时放大恶意软件和其他类型的恶意软件之间的差异。基于所提出的分析,我们设计了一个系统,可以实现强大的和可解释的Android恶意软件分类。为了实现鲁棒的分类,我们对恶意软件样本执行对比学习,以学习可以从恶意软件样本中自动提取鲁棒特征的编码器。为了实现可解释的分类,我们通过中心性分析将样本的函数调用图转化为图像。然后,可以通过可视化技术获得相应的热图。这些热图可以帮助用户理解为什么恶意软件被归类为这个家族。我们实现了\emph{IFDroid},并在两个数据集上进行了广泛的评估。实验结果表明,\emph{IFDroid}优于最先进的Android恶意软件家族分类系统。此外,\emph{IFDroid}能够在分类69,421个混淆恶意软件样本时保持98.4\%的F1。
2022-11-01 cs.CR
DWFS-Obfuscation: Dynamic Weighted Feature Selection for Robust Malware Familial Classification under Obfuscation
本文提出动态加权特征选择方法DWFS-Obfuscation,结合图神经网络提升Android恶意软件家族分类在混淆攻击下的鲁棒性,在8,664个样本和44,940个混淆变体上取得95.56%和92.28%的F1分数。
2025-04-10 cs.CR
Resilient and Adaptive Framework for Large Scale Android Malware Fingerprinting using Deep Learning and NLP Techniques
Android恶意软件检测是一个严重的问题,影响了现有市场中使用数百万Android应用程序(应用程序)的数十亿用户。本文提出了PetaDroid,一个准确的Android恶意软件检测和家庭聚类的框架上的静态分析。PetaDroid自动适应Android恶意软件和随着时间的推移与常见的二进制混淆技术的弹性良性变化。该框架采用了基于自然语言处理(NLP)和机器学习技术的新技术,以实现准确、自适应和弹性的Android恶意软件检测和家族聚类。PetaDroid使用卷积神经网络(CNN)的集成来识别恶意软件。该框架利用使用深度神经自动编码器生成的样本特征聚类将检测到的恶意软件样本聚类到恶意软件家族组中。为了适应变化,PetaDroid在部署过程中利用检测置信概率自动收集扩展数据集,并定期使用它们来构建新的恶意软件检测模型。此外,PetaDroid在训练过程中使用代码片段随机化,以增强对常见混淆技术的弹性。我们在多个参考数据集上广泛评估了PetaDroid。PetaDroid在不同的评估设置下实现了高检测率(98- 99%f1评分),在生成的聚类中具有高同质性(96%)。我们与最先进的解决方案MaMaDroid、DroidAPIMiner、MalDozer进行了彻底的定量比较,其中PetaDroid在所有评估设置下都优于它们。
2021-05-27 cs.CR
DroidNative: Semantic-Based Detection of Android Native Code Malware
根据赛门铁克和F-Secure的威胁报告,2013年和2014年的移动恶意软件开发几乎完全集中在Android平台上。恶意软件编写者正在应用隐形突变(混淆)来创建恶意软件变体,从而阻碍基于签名的检测器的检测。此外,利用静态分析技术来检测这种变体的过多的更复杂的检测器仅在字节码级别操作,这意味着嵌入在本机代码中的恶意软件未被检测到。最近的一项研究表明,86%的最流行的Android应用程序包含本机代码,这使得这成为一个看似合理的威胁。本文提出了DroidNative,一个Android恶意软件检测器,使用特定的控制流模式来减少混淆的影响,提供自动化和平台独立性,据我们所知,它是第一个在Android本机代码级别运行的系统,允许它检测嵌入在本机代码和字节码中的恶意软件。当使用传统的恶意软件变体进行测试时,它的检测率(DR)为99.48%,而学术和商业工具的DR范围为8.33% -93.22%。当使用2240个样本的数据集进行测试时,DroidNative的DR为99.16%,假阳性率为0.4%,平均检测时间为26.87秒/样本。
2016-02-21 cs.CR
Hidden in Plain Sight: Obfuscated Strings Threatening Your Privacy
字符串模糊处理是专有的、封闭源代码的应用程序用来保护知识产权的一种成熟技术。此外,它还经常用于隐藏应用程序中的间谍软件或恶意软件。在这两种情况下,技术范围从XOR运算上的位操作到AES加密。然而,字符串混淆技术/工具有一个共同的弱点:它们通常必须将必要的逻辑嵌入到应用程序代码中以消除字符串的混淆。在本文中,我们展示了Android恶意和良性应用程序中发现的大多数字符串混淆技术可以很容易地以自动化的方式被破坏。我们开发了StringHound,这是一个开源工具,它使用新颖的技术来识别混淆的字符串并使用切片重建原始字符串。我们在良性和恶意Android应用程序上评估了StringHound。总之,我们对混淆字符串的去混淆处理几乎是其他字符串去混淆工具的30倍。此外,我们分析了100,000个Google Play商店应用程序,发现了多个模糊字符串,这些字符串隐藏了易受攻击的加密用法,不安全的互联网访问,API密钥,硬编码密码以及在开发人员不知情的情况下利用特权。此外,我们的分析表明,不仅恶意软件使用字符串混淆,而且良性应用程序也广泛使用字符串混淆。
2020-09-09 cs.CR
An Empirical Study of Code Obfuscation Practices in the Google Play Store
University of New South Wales (UNSW)(新南威尔士大学);University of Sydney(悉尼大学)
本文对 Google Play 商店八年内超 50 万个 Android APK 进行大规模实证分析,提出分类器检测混淆代码与工具,揭示混淆使用率增长 13% 的趋势及其在热门应用和游戏类中的更高普及度。
2025-02-07 cs.AI cs.CR cs.SE
Feature-Centric Approaches to Android Malware Analysis: A Survey
本综述系统分析了静态、动态、混合及基于图方法的Android恶意软件特征提取技术,比较了各自的优劣权衡,并提出了未来增强IoT环境下检测可扩展性与安全性的研究路线图。
2025-09-12 cs.CR
When Label Noise Meets Class Imbalance: A Robust Framework for Android Malware Family Classification
Huazhong University of Science and Technology(华中科技大学);The Hong Kong Polytechnic University(香港理工大学);NSFOCUS Technologies Group Co., Ltd.(启明星辰信息技术集团股份有限公司);Key Laboratory of Cyberspace Security, Ministry of Education(教育部网络空间安全学院)
针对Android恶意软件家族分类中标签噪声与类别不平衡的交互问题,提出RoMaC框架,采用自训练纠正噪声标签并区分头尾家族样本,结合类别重加权与多模型集成,在混淆场景下性能提升6%-20%。
2026-09-22 cs.CR
DynaLog: An automated dynamic analysis framework for characterizing Android applications
Android正在变得无处不在,目前拥有移动操作系统市场的最大份额,从官方应用程序市场下载数十亿应用程序。它也已成为移动恶意软件最有针对性的平台,这些恶意软件变得越来越复杂,以逃避最先进的检测方法。许多Android恶意软件家族采用混淆技术来避免检测,这可能会击败基于静态分析的方法。另一方面,可以使用动态分析来克服这种限制。因此,在本文中,我们提出了DynaLog,一个动态分析为基础的框架,用于表征Android应用程序。该框架提供了基于大量动态特征分析应用程序行为的能力。它提供了一个自动化平台,用于对应用程序进行大规模分析和表征,这对于快速识别和隔离恶意应用程序非常有用。DynaLog框架利用现有的开源工具来提取和记录可用于探索应用程序特征的高级行为、API调用和关键事件,从而为检测Android恶意软件提供可扩展的动态分析平台。DynaLog使用真实的恶意软件样本和干净的应用程序进行评估,证明其有效分析和检测恶意应用程序的能力。
2016-07-27 cs.CR
Android Malware Clustering using Community Detection on Android Packages Similarity Network
每天针对应用程序存储库的Android恶意应用程序(应用程序)数量正在增加,其数量超过了指纹识别过程。为了解决这个问题,我们提出了一个增强的Cypider框架,一组技术和工具,旨在通过建立一个可扩展的和混淆弹性相似性网络基础设施的恶意应用程序的移动恶意软件进行系统的检测。我们的方法是基于我们提出的概念,即恶意社区,在其中我们认为共享共同特征的恶意实例是同一恶意软件家族中最有可能的部分。使用这个概念,我们假设多个类似的Android应用程序,不同的作者是最有可能是恶意的。具体来说,Cypider利用这一假设来检测已知恶意软件家族和零日恶意应用程序的变体。Cypider在相似性网络上应用社区发现算法,该算法提取被认为是可疑和可能恶意社区的子图。此外,我们提出了一种新的指纹技术,即社区指纹,基于一类机器学习模型的每个恶意社区。此外,我们提出了一个增强的Cypider框架,它需要更少的内存,x650,和更少的时间来建立相似性网络,x700,与原始版本相比,而不影响指纹性能的框架。我们引入了一个系统的方法来定位不同的特征内容向量的最佳阈值,这简化了整个检测过程。
2020-05-12 cs.CR
CLOADER: Evading Security Mobile Defenses via Runtime Obfuscation and Adaptive Hooking Tactics
Vietnamese-German University(越南德国大学)
提出CLoader框架,通过统一运行时控制层协调网络、时间与代码层面的动态规避策略,结合随机端口、代码混淆和完整性检查,在移动安全环境中实现90%的挂钩工具检测绕过率。
2026-09-22 cs.CR
Android Malware Family Classification Based on Resource Consumption over Time
当今绝大多数移动恶意软件都针对Android设备。这推动了过去几年Android恶意软件分析的研究工作。恶意软件分析的一个重要任务是将恶意软件样本分类到已知的家族中。已知静态恶意软件分析不足以对抗改变恶意软件的静态特性(例如,代码混淆)的技术,而动态分析已被证明对抗此类技术是有效的。据我们所知,纯粹基于动态分析的Android恶意软件家族分类最值得注意的工作是DroidScribe。对于DroidScribe,我们的方法更容易复制。我们的方法只使用公开可用的工具,不需要对模拟环境或Android操作系统进行任何修改,并且可以从物理设备收集数据。后者是一个关键因素,因为现代移动恶意软件可以检测模拟环境并隐藏其恶意行为。我们的方法依赖于proc文件系统提供的资源消耗度量。通过去趋势波动分析和相关性提取特征。最后,一个SVM分类恶意软件到家庭。我们对Drebin数据集的恶意软件样本进行了实验评估,获得了82%的分类准确率,证明我们的方法达到了与DroidScribe相当的准确率。此外,我们公开了我们开发的软件,以便于我们结果的重现性。
2017-09-04 cs.CR
IntelliAV: Building an Effective On-Device Android Malware Detector
对于安全社区来说,采用机器学习进行恶意软件检测的重要性已经变得显而易见。一些反恶意软件供应商声称并宣传了机器学习在其产品中的应用,其中推理阶段在服务器和高性能机器上执行,但研究界尚未评估这种方法在计算资源有限的移动设备上的可行性,供应商仍然持怀疑态度。在本文中,我们的目标是展示设计一个基于学习的Android移动设备上的反恶意软件的实用性,首先。此外,我们的目标是证明这样一个工具的重要性,以阻止新的和逃避恶意软件,不能很容易地被基于签名或离线学习的安全工具。为此,我们首先提出从Android应用程序中提取一组轻量级但功能强大的功能。然后,我们将这些特征嵌入到向量空间中,以构建一个有效的模型。因此,该模型可以对设备执行推断,以检测潜在有害的应用程序。我们表明,不诉诸任何签名,只依赖于一个训练阶段,涉及一组合理的样本,建议的系统,名为IntelliAV,提供更令人满意的性能比流行的主要反恶意软件产品。此外,我们评估了IntelliAV对常见混淆技术的鲁棒性,大多数反恶意软件解决方案都会受到影响。
2018-02-04 cs.CR
Automatically Detecting Checked-In Secrets in Android Apps: How Far Are We?
McGill University(麦吉尔大学);Concordia University(康考迪亚大学)
本文实证评估了三种已检入密钥检测工具在 5,135 个安卓应用上的表现,发现现有工具存在大量漏报但具有互补性,并提出基于方法内字符串组分析以克服混淆挑战的新策略。
2025-11-10 cs.CR cs.SE
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
BinCtx: Multi-Modal Representation Learning for Robust Android App Behavior Detection
Arizona State University(亚利桑那州立大学)
针对移动应用不良行为难以检测的问题,提出BinCtx方法,融合字节码图像、上下文和第三方库使用三种视图,构建多模态表示训练分类器,在真实数据上宏F1达94.73%,且对混淆和对抗样本稳健。
2025-10-16 cs.AI cs.CR
Eight Years of Rider Measurement in the Android Malware Ecosystem: Evolution and Lessons Learned
尽管Android恶意软件构成的威胁越来越大,但研究社区仍然缺乏对平台上活跃的恶意软件家族暴露的常见行为和趋势的全面了解。如果没有这样的观点,研究人员就有可能开发出只检测过时威胁的系统,而忽略了最新的威胁。在本文中,我们对Android恶意软件行为进行了迄今为止最大规模的测量,分析了八年内(从2010年到2017年)属于1.2K系列的120多万个恶意软件样本。我们的目标是了解Android恶意软件的行为如何随着时间的推移而演变,重点是重新包装恶意软件。在这种类型的威胁中,不同的无害应用程序都带有恶意负载(骑手),允许廉价的恶意软件制造。研究重新打包的恶意软件时面临的主要挑战之一是将应用程序切片,将良性组件与恶意组件分开。为了解决这个问题,我们使用差异分析来隔离与活动无关的软件组件,并单独研究恶意骑手的行为。我们的分析框架依赖于集体知识库和从多个反病毒供应商提取的情报系统化的最新进展。我们发现,自2010年起步以来,Android恶意软件生态系统已经发生了显着变化,无论是恶意样本执行的恶意活动类型,还是恶意软件为避免检测而使用的混淆级别。然后,我们表明,我们的框架可以帮助分析师谁试图研究未知的恶意软件家族。最后,我们讨论了我们的研究结果对Android恶意软件检测研究的意义,强调了研究社区需要进一步关注的领域。
2020-03-19 cs.CR
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
Monet: A User-oriented Behavior-based Malware Variants Detection System for Android
Android是最受欢迎的移动操作系统,拥有约78%的移动市场份额。由于其受欢迎程度,它吸引了许多恶意软件攻击。事实上,人们每季度都发现了大约一百万个新的恶意软件样本,据报道,这些新的恶意软件样本中有超过98%实际上是现有恶意软件家族的“衍生物”(或变体)。在本文中,我们首先表明,恶意软件的核心功能的运行时行为实际上是类似的恶意软件家族。因此,我们提出了一个框架,结合“运行时行为”与“静态结构”来检测恶意软件的变种。我们提出了MONET的设计和实现,它有一个客户端和一个后端服务器模块。客户端模块是一个轻量级的设备内应用程序,用于行为监控和签名生成,我们使用两种新颖的拦截技术实现这一点。后端服务器负责大规模恶意软件检测。我们收集了3723个恶意软件样本和前500个良性应用程序,以进行大量的实验,检测恶意软件变体和防御恶意软件转换。我们的实验表明,MONET在检测恶意软件变体方面可以达到99%左右的准确率。此外,它可以抵御10种不同的混淆和转换技术,而仅产生约7%的性能开销和约3%的电池开销。更重要的是,MONET会自动提醒用户入侵细节,以防止进一步的恶意行为。
2016-12-10 cs.CR
Static Attribution of Android Residential Proxy Malware Using Graph Kernels
Iowa State University(爱荷华州立大学);Sandia National Laboratories(桑迪亚国家实验室);Milwaukee School of Engineering(密尔沃基工程学院)
本文提出一种自动化代理软件家族归因方法,通过提取控制流图和函数调用图等图结构表示及行为特征,利用图核特征和二进制能力向量提升分类性能,实现对恶意软件的高准确率归因。
2026-04-30 cs.CR
Review of Deep Learning-based Malware Detection for Android and Windows System
Chosun University(朝鲜大学)
本文综述了分别针对Windows和Android系统的两种AI赋能恶意软件检测技术,二者在检测多种恶意软件家族时均达到完美准确率,证明AI方法能有效对抗具备混淆能力的现代恶意软件。
2023-07-04 cs.CR cs.LG
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
Measuring and Explaining the Effects of Android App Transformations in Online Malware Detection
本文提出数据驱动方法,通过六种Android应用变换、一个月VirusTotal跟踪及971K余份报告,分析并解释杀毒引擎检测机制与规避影响。
2025-07-27 cs.CR
Self-Supervised Learning for Android Malware Detection on a Time-Stamped Dataset
Mastercard Canada(Mastercard加拿大)
针对机器学习检测器的时间偏差问题,构建时间戳数据集并采用BYOL自监督预训练,在时间感知评估下达到98%准确率和89%F1分数。
2026-06-04 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
To WASM or Not to WASM: Evaluation of Browser Fingerprinting Defenses Under WASM based Obfuscation
The University of Texas at San Antonio(圣安东尼奥德克萨斯大学);Google LLC(谷歌公司)
本文评估WASM混淆对浏览器指纹防御的影响,发现学术特征分析检测器存在脆弱性,而API级拦截的防御完全有效,凸显学术与实用防御的差距并提供优化方向。
2026-08-13 cs.CR cs.ET cs.PL
Feature-level Malware Obfuscation in Deep Learning
我们考虑用深度学习模型检测恶意软件的问题,其中恶意软件可能与大量的良性代码相结合。这方面的例子包括对系统的捎带和特洛伊木马攻击,其中恶意行为隐藏在有用的应用程序中。这种增加恶意软件的灵活性使得代码混淆明显增加。因此,我们专注于静态功能的使用,特别是Intents、API和API调用,我们认为这些功能最终无法在Android系统中隐藏,而只能增加更多这样的功能。我们首先使用良性和恶意软件样本的特征来训练用于恶意软件分类的深度神经网络分类器。然后,我们证明了假阴性率的急剧增加(即,攻击成功),只需将良性应用程序的功能随机添加到恶意软件即可。最后,我们测试了使用数据增强来强化分类器以抵御此类攻击。我们发现,对于API调用,可以拒绝绝大多数攻击,而使用Intents或Intent则不太成功。
2020-02-10 cs.CR cs.LG stat.ML
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
Android Malware Detection Based on RGB Images and Multi-feature Fusion
Beijing Electronic Science and Technology Institute(北京电子科技学院)
本文提出一种基于RGB图像和多特征融合的Android恶意软件端到端检测方法,通过提取DEX、AndroidManifest.xml和API调用并组合为RGB图像,准确率达97.25%,优于现有方法。
2024-08-29 cs.CR cs.LG
Deep Learning for Android Malware Defenses: a Systematic Literature Review
Monash University(莫纳什大学);Southern University of Science and Technology(南方科技大学)
恶意应用程序(特别是针对Android平台的应用程序)对开发人员和最终用户构成严重威胁。许多研究工作致力于开发有效的方法来防御Android恶意软件。然而,鉴于Android恶意软件的爆炸式增长以及混淆和反射等恶意规避技术的不断进步,基于手动规则或传统机器学习的Android恶意软件防御方法可能无法有效。近年来,被称为深度学习(DL)的主导研究领域提供了强大的特征提取能力,在诸如自然语言处理和计算机视觉的各种领域中已经展示了引人注目的和有前途的性能。为此,采用深度学习技术来阻止Android恶意软件攻击最近引起了相当大的研究关注。然而,目前还没有针对Android恶意软件防御的深度学习方法的系统性文献综述。在本文中,我们进行了系统的文献综述,以搜索和分析深度学习方法如何应用于Android环境中的恶意软件防御。因此,确定了涵盖2014-2021年期间的共计132项研究。我们的调查显示,虽然这些来源中的大多数主要考虑基于DL的Android恶意软件检测,但53项主要研究(40.1%)基于其他场景设计防御方法。本文还讨论了基于DL的Android恶意软件防御的研究趋势、研究重点、面临的挑战和未来的研究方向。
2022-08-09 cs.CR cs.LG cs.SE
MalLoc: Toward Fine-grained Android Malicious Payload Localization via LLMs
针对传统技术无法细粒度定位Android恶意负载的局限,提出利用大语言模型代码理解能力的MalLoc方法,实验证明其可行性与有效性,能提升分析精度和可解释性,为恶意软件研究开辟新方向。
2025-08-25 cs.CR cs.SE
Dynamic Graph-based Fingerprinting of In-browser Cryptomining
本文提出基于指令级数据流图指纹的浏览器内加密挖矿检测框架 PoT,通过图简化算法和 n-片段包含分数提升对混淆攻击的鲁棒性,并在实验中优于现有方法。
2025-05-05 cs.CR cs.PL
Moirae: A Multimodal Agent Collaborative Framework for Dynamic Android Malware Detection
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院);School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络空间安全学院);School of Computer Science and Engineering, Guangxi Normal University(广西师范大学计算机科学与工程学院)
该研究提出多模态智能体协作框架Moirae,通过融合多维度运行时证据实现动态Android恶意软件检测,在未见过的数据集上零样本准确率达90.06%,优于现有基线且抗概念漂移。
2026-09-17 cs.CR cs.SE
DL-Droid: Deep learning based android malware detection using real devices
College of Computing in Al-Qunfudah, Umm Al-Qura University(乌姆·古拉大学阿尔昆富达计算学院);De Montfort University(德蒙福特大学);Queen’s University Belfast(贝尔法斯特女王大学)
自2012年以来,Android操作系统一直是智能手机和平板电脑最受欢迎的操作系统。这种流行导致近年来Android恶意软件的快速增长。Android恶意软件混淆和检测避免方法的复杂性已显著提高,使许多传统的恶意软件检测方法过时。在本文中,我们提出了DL-Droid,一个深度学习系统,通过使用状态输入生成的动态分析来检测恶意Android应用程序。超过30,000个应用程序(良性和恶意软件)在真实设备上进行的实验。此外,还使用深度学习系统进行了实验,以比较有状态输入生成方法与常用的无状态方法的检测性能和代码覆盖率。我们的研究表明,DL-Droid可以实现高达97.8%的检测率(仅动态特征)和99.6%的检测率(动态+静态特征),分别优于传统的机器学习技术。此外,结果突出了增强的输入生成的动态分析的DL-Droid与基于状态的输入生成的意义被证明优于现有的国家的最先进的方法。
2019-11-22 cs.CR cs.LG cs.NE
LLM-Generated Samples for Android Malware Detection
University of Brighton(布莱顿大学)
本研究利用大语言模型生成Android恶意软件样本,通过微调GPT-4.1-mini提升检测性能,发现合成数据能有效补充有限数据集,但单独使用效果有限。
2025-09-30 cs.CR cs.LG
Group-wise classification approach to improve Android malicious apps detection accuracy
Birla Institute of Technology and Science, Pilani(博拉理工学院皮拉尼校区)
在快速增长的智能设备中,Android是最受欢迎的操作系统,由于其吸引人的功能,移动性,易用性,这些设备保存了敏感信息,如个人数据,浏览历史,购物历史,财务细节等,因此,这些设备中的任何安全漏洞都意味着存储或访问智能设备的信息都有被恶意软件破坏的高风险。这些恶意软件不断增长,也用于军事间谍活动,破坏工业,电网等,以检测这些恶意软件,传统的签名匹配技术被广泛使用。然而,这种策略无法检测到先进的Android恶意应用程序,因为恶意软件开发人员使用了几种混淆技术。因此,研究人员正在不断解决基于Android的智能设备中的安全问题。因此,在本文中,我们使用Drebin基准恶意软件数据集,实验演示了如何通过分析应用程序后,根据权限对收集的数据进行分组,提高检测准确率,并实现了97.15%的整体平均准确率。我们的结果优于未分组数据(79.27%,2017)、Arp等人(94%,2014)、Annamalai等人(84.29%,2016)、Bahman Rashidi等人(82%,2017)和Ali Feizollah等人(95.5%,2017)获得的准确性。分析还表明,在这些组中,麦克风组检测准确率最低,而日历组应用检测准确率最高,准确率最高,为了获得最佳性能,应该采用80-100个特征。
2019-04-03 cs.CR cs.LG
Context-Aware Functional Modeling for Android Third-Party Library Detection
Beihang University(北京航空航天大学);Nanyang Technological University(南洋理工大学)
本文提出LibFan,一种基于上下文感知功能建模的Android第三方库检测方法,通过方法级对比学习和库级功能划分,在R8完整模式下F1分数显著优于现有方法。
2026-09-28 cs.CR cs.SE
Automated Synthesis of Semantic Malware Signatures using Maximum Satisfiability
本文提出了一种从恶意软件家族的极少数样本中自动学习Android语义恶意软件签名的技术。我们的技术的关键思想是寻找一个最大的可疑公共子图(MSCS)之间共享的恶意软件家族的所有已知实例。MSCS根据组件间调用关系及其语义元数据(例如,数据流属性)。我们的方法确定这样的最大可疑的公共子图减少问题的最大可满足性。一旦语义签名被学习,我们的方法使用的组合静态分析和一个新的近似签名匹配算法,以确定Android应用程序是否匹配的语义签名表征一个给定的恶意软件家族。我们已经实现了我们的方法,在一个名为ASTROID的工具,并表明它具有许多优势,超过国家的最先进的恶意软件检测技术。首先,我们将ASTROID自动合成的语义恶意软件签名与以前工作中使用的手动编写的签名进行比较,并表明ASTROID学习的签名在准确性和精度方面表现更好。其次,我们比较ASTROID对两个国家的最先进的恶意软件检测工具,并证明其优势的可解释性和准确性。最后,我们证明了ASTROID的近似签名匹配算法是抵抗行为混淆,它可以用来检测零日恶意软件。特别是,我们能够在Google Play中找到22个零日恶意软件实例,这些实例未被现有工具报告为恶意软件。
2017-06-16 cs.CR
Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks
Northwestern Polytechnical University(西北工业大学)
提出将 Android 恶意软件特征转为灰度图像并用 WGAN 等生成合成数据增强 CNN 训练,实验表明其可提升检测性能 1.5%–7%,F1 最高达 0.975。
2024-03-05 cs.AI cs.CR
BIDO: An Out-Of-Distribution Resistant Image-based Malware Detector
Software School, Yunnan University(云南大学软件学院);School of Information Systems, University of New South Wales(新南威尔士大学信息系统学院)
BIDO通过将恶意软件检测转化为似然估计任务,提出了一种生成性分类器,以提高对抗分布变化的鲁棒性并实现可靠的解释。
2026-01-08 cs.CR cs.SE
Version-level Third-Party Library Detection in Android Applications via Class Structural Similarity
针对现有Android第三方库检测工具版本级检测误报率高的问题,提出基于类依赖图结构相似性的SAD工具,在混淆应用上的版本级检测F1达84.82%,优于现有最先进工具。
2025-06-18 cs.CR cs.SE
DexRay: A Simple, yet Effective Deep Learning Approach to Android Malware Detection based on Image Representation of Bytecode
Luxembourg Institute of Science and Technology(卢森堡科学与技术研究院);University of Luxembourg(卢森堡大学)
本文提出DexRay方法,将安卓DEX字节码转为灰度向量图像并用一维CNN检测恶意软件,在超15.8万应用上F1达0.96,为图像式恶意软件检测提供了简单有效且可扩展的基线。
2024-11-20 cs.CR cs.LG
Portable, Data-Driven Malware Detection using Language Processing and Machine Learning Techniques on Behavioral Analysis Reports
为了应对恶意软件或恶意软件的数量和复杂性,安全调查人员依靠动态分析进行恶意软件检测,以阻止混淆和打包问题。动态分析是执行二进制样本以生成总结其运行时行为的报告的过程。调查人员使用这些报告来检测恶意软件,并利用手动选择的功能来确定威胁类型。然而,恶意软件和执行环境的多样性使得手动方法不可扩展,因为调查人员需要手动设计新环境的指纹特征。在本文中,我们提出,MalDy(mal~die),一个便携式(即插即用)的恶意软件检测和家庭威胁归因框架,使用监督机器学习技术。MalDy可移植性的关键思想是将行为报告建模为一系列单词,以及高级自然语言处理(NLP)和机器学习(ML)技术,用于自动设计相关安全功能,以在无需调查人员干预的情况下检测和归属恶意软件。更准确地说,我们建议使用词袋(BoW)NLP模型来制定行为报告。之后,我们在BoW特征之上构建ML集成。我们在不同平台(Android和Win32)和执行环境的各种数据集上广泛评估MalDy。评估显示了MalDy在分析和设置范围内的有效性和可移植性。
2019-01-15 cs.CR