基于大规模网络表示学习的 Android 恶意软件检测

随着移动设备与应用的增多，恶意软件（malware）的数量近年迅速增长，亟需发展先进有效的恶意软件检测方法。传统方法如基于签名的方法无法保护用户免受日益增多新型恶意软件或恶意软件行为快速变化之害。本文提出一种基于深度学习与静态分析的 Android 恶意软件检测新方法。我们不仅使用应用程序编程接口（APIs），还进一步分析 Android 应用的源代码并构建其更高层级的图语义，使攻击者更难规避检测。具体地，我们利用 Android 应用中方法调用构成的调用图来表示应用，并进一步分析方法属性以形成带节点属性的结构化程序表示图（PRG）。随后，我们使用图卷积网络（GCN）将整个图嵌入稠密向量以得到应用的图表示，并分类其是否为恶意软件。为高效训练该图卷积网络，我们提出一种批量训练方案，允许多个异构图作为一批输入。据我们所知，这是首个将图表示学习用于恶意软件检测的工作。我们在真实样本集上进行了大量实验，表明所开发系统优于多种现有恶意软件检测技术。