基于移动设备深度学习的性能敏感型恶意软件检测系统
密码学与安全
2020-11-11 v3 软件工程
摘要
当前，Android恶意软件检测主要在服务器端针对不断增长的恶意软件数量进行。相比单个用户维护检测，强大的计算资源为应用市场提供了更详尽的防护。然而，除官方市场提供的应用外，来自非官方市场和第三方资源的应用始终对终端用户造成严重安全威胁。同时，若先下载应用再上传至服务器端检测，是一项耗时的任务，因为网络传输存在大量开销。此外，上传过程也遭受攻击者的安全威胁。因此，移动设备上的最后一道防线是必要且迫切需要的。本文中，我们提出一种高效的Android恶意软件检测系统MobiTive，利用定制深度神经网络在移动设备上提供实时且响应迅速的检测环境。MobiTive是一种预装解决方案，而非安装后使用的应用扫描与监控引擎，更具实用性与安全性。原始深度学习模型因计算能力、内存大小和能耗等多种性能限制无法直接部署和执行于移动设备。因此，我们评估并研究了以下关键点：（1）基于源代码或二进制码的不同特征提取方法的性能；（2）移动设备上深度学习不同特征类型选择的性能；（3）不同深度神经网络在移动设备上的检测准确率；（4）不同移动设备上的实时检测性能与准确率；（5）基于移动设备规格演进趋势的潜力；最终我们进一步提出一种在移动设备上检测Android恶意软件的实际解决方案（MobiTive）。
引用
@article{arxiv.2005.04970,
title = {A Performance-Sensitive Malware Detection System Using Deep Learning on Mobile Devices},
author = {Ruitao Feng and Sen Chen and Xiaofei Xie and Guozhu Meng and Shang-Wei Lin and Yang Liu},
journal= {arXiv preprint arXiv:2005.04970},
year = {2020}
}
备注
16 Pages