ANDRUSPEX：利用图表示学习预测移动设备上的有害应用安装
密码学与安全
2021-03-11 v2
摘要
Android 的安全模型严重限制了反恶意软件的能力。与桌面系统上的普通反恶意软件解决方案不同，其 Android 对应方案作为沙箱应用运行，无 root 权限，并受 Android 权限系统限制。因此，Android 上的潜在有害应用（PHA）通常由受害者自愿安装，因为它们伪装成具有隐藏恶意功能的实用应用，并作为基于用户先前安装应用的建议在移动应用商店中被遇到。具有相似兴趣和安装历史的用户很可能暴露于同一 PHA 并决定安装它。这一观察使我们有机会开发预测方法，警告用户其近期将遇到并可能 tempted 安装哪些 PHA。这些方法可补充专注于事后检测的普通反恶意软件解决方案，从而缩小现有方案所面临的机遇窗口。本文中我们开发了 Andruspex，一个基于图表示学习的系统，使我们能够学习用户设备与 PHA 之间的潜在关系并利用其进行预测。我们在一家安全公司收集的 PHA 安装真实数据集上测试 Andruspex，表明我们的方法取得了极高的预测结果（在 0.0001 FPR 下 TPR 高达 0.994），同时优于其他基线方法。我们还证明 Andruspex 具有鲁棒性，且其运行时性能可满足真实部署要求。
引用
@article{arxiv.2103.05476,
title = {ANDRUSPEX : Leveraging Graph Representation Learning to Predict Harmful App Installations on Mobile Devices},
author = {Yun Shen and Gianluca Stringhini},
journal= {arXiv preprint arXiv:2103.05476},
year = {2021}
}
备注
Accepted to appear in the Proceedings of the 2021 IEEE European Symposium on Security and Privacy (EUROS&P)