AiDroid：当异构信息网络结合深度神经网络用于实时 Android 恶意软件检测
密码学与安全
2019-05-22 v2 机器学习
摘要
Android 恶意软件的爆发式增长与日益复杂化，要求新的防御技术能够保护移动用户免受新型威胁。在本文中，我们首先从 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更高层次的语义关系以全面刻画应用。为建模不同类型的实体（即应用、API、IMEI、签名、归属）及其间丰富的语义关系，我们随后构建结构化的异构信息网络（HIN），并提出基于元路径的方法来刻画应用间的相关性。为高效分类所构建 HIN 中的节点（如应用），我们提出 HinLearning 方法，首先获得样本内节点嵌入，然后首次在不重新运行/调整 HIN 嵌入的情况下学习样本外节点的表示。之后，我们设计了一个深度神经网络（DNN）分类器，以学习到的 HIN 表示为输入进行 Android 恶意软件检测。我们在腾讯安全实验室的大规模真实样本集合上进行了综合实验研究，以比较各种基线方法。有前景的实验结果表明，我们开发的集成所提方法的系统 AiDroid 在实时 Android 恶意软件检测中优于其他方法。AiDroid 已并入腾讯移动安全产品，服务全球数百万用户。
引用
@article{arxiv.1811.01027,
title = {AiDroid: When Heterogeneous Information Network Marries Deep Neural Network for Real-time Android Malware Detection},
author = {Yanfang Ye and Shifu Hou and Lingwei Chen and Jingwei Lei and Wenqiang Wan and Jiabin Wang and Qi Xiong and Fudong Shao},
journal= {arXiv preprint arXiv:1811.01027},
year = {2019}
}
备注
The revised version will be published in IJCAI'2019 entitled "Out-of-sample Node Representation Learning for Heterogeneous Graph in Real-time Android Malware Detection"