Android恶意软件检测方法及其鲁棒性研究.pdfVIP

摘要

基于机器学习的Android恶意软件检测方法具备自动化程度高、检测速度快等优势，目

前已有很多检测模型使用机器学习方法构建。然而，这些检测模型存在检测准确率有待提高

和模型鲁棒性欠缺的问题。检测准确率有待提高的主要原因是用于训练的特征向量的表征能

力偏弱，检测模型在面对不同类别相似度较高的样本时，会产生较多的漏报和误报。检测模

型鲁棒性欠缺的原因是模型训练仅使用有限的样本进行拟合，脱离样本分布空间的样本容易

混淆模型，并且检测模型容易受到对抗样本攻击的影响，进而模型的检测结果受到干扰。

针对传统机器学习方法检测Android恶意软件准确率偏低的问题，本文提出基于特征图

像生成的Android恶意软件检测方法（FIG-AMD方法）。FIG-AMD方法提取APK文件的权

限、API和操作码作为特征，并使用改进的FPGrowth算法对特征进行挖掘；再使用降噪自编

码器对特征信息进行抽取和转换维度，拼接并生成RGB特征图像用于训练和分类；最后构建

BaggingCNN分类算法，该算法基于集成算法思想将多种卷积神经网络进行集成，利用投票机

制进行分类。实验结果表明，FIG-AMD方法可以准确区分良性软件和恶意软件，检测准确率

达到98.21%。

对抗样本可以用来测试检测模型的鲁棒性，为完善模型提供思路。然而，现有Android对

抗样本生成方法在控制生成成本和提高有效性方面存在不足，针对于此，本文提出基于特征

贡献度的Android对抗样本生成方法（CD-ASG方法）。CD-ASG方法从特征出现频率、特征

与对应类别关联程度两个角度定义并计算特征对于生成对抗样本的贡献度；基于黑盒攻击的

思想，在不对原始应用程序产生破坏的前提下，根据贡献度大小决定修改特征的优先级，并

动态生成对抗样本。实验结果表明，多种Android恶意软件机器学习模型在检测CD-ASG方

法生成的对抗样本时，准确率都会有较大幅度的降低，平均降低幅度达到78.04%。

利用机器学习方法构建的Android恶意软件检测模型存在鲁棒性欠缺的问题。针对于此，

本文提出基于混合模型的Android恶意软件检测模型鲁棒性增强方法（H-Model方法）。H-

Model方法包括前置模型和动态模型两部分，两部分协同过滤对抗样本，以达到提升模型鲁

棒性的目的；H-Model方法通过在原始检测模型之前安插前置模型，以及将原始检测模型对

抗训练成动态模型，以此将原始检测模型构建成具备高鲁棒性的混合模型。实验结果表明，

H-Model方法具备良好的通用性，可以有效提高多种原始检测模型的鲁棒性，并且保持模型

的原始检测性能。

关键词:机器学习；Android恶意软件；深度学习；对抗样本；模型鲁棒性

Abstract

Androidmalwaredetectionmethodbasedonmachinelearninghastheadvantagesofhigh

automationandfastdetectionspeed.Manydetectionmodelshavebeenbuiltusingmachinelearning

methods.However,thesedetectionmodelshaveproblemsthatthedetectionaccuracyneedstobe

improvedandtherobustnessofthesemodelsisinsufficient.Themainreasonwhythedetection

accuracyneedstobeimprovedisthattherepresentationabilityofthefeaturevectorsusedfortraining

isweak.Thedetectionmodelsgeneratemoremissesandfalsepositiveswhenfacingsampleswith

highsimilarityindifferentcatego