BERTDetect：一种基于神经主题模型的 Android 恶意软件检测方法
密码学与安全
2025-03-25 v1 信息检索
摘要
如今，移动设备占据了 web 浏览的主导地位，Android 作为移动设备市场的重要组成部分，成为恶意攻击的主要目标。尽管通过 Google Play 保护和防病毒软件等工具有效防御，但新的恶意软件变体仍不断渗透到 Android 设备。源代码分析虽有效，但局限于攻击者快速弃用旧恶意软件以规避检测。因此，亟需补充源代码分析的替代方法。之前的研究基于应用描述进行聚类，通过 API 使用识别异常簇中的异常值作为恶意软件。然而，这些研究常用潜在 Dirichlet 分布 (LDA) 和 k-均值聚类等传统技术，无法捕捉应用描述中细腻的语义结构。为此，我们提出 BERTDetect，利用 BERTopic 神经主题模型有效捕捉应用描述中的潜在主题。得到的主题聚类比以往方法更具一致性，能良好代表应用功能。我们的实验结果表明，BERTDetect 在 F1 分数上优于其他基线方法，提升约 10%。
关键词
引用
@article{arxiv.2503.18043,
title = {BERTDetect: A Neural Topic Modelling Approach for Android Malware Detection},
author = {Nishavi Ranaweera and Jiarui Xu and Suranga Seneviratne and Aruna Seneviratne},
journal= {arXiv preprint arXiv:2503.18043},
year = {2025}
}