BinCtx：面向鲁棒 Android 应用行为检测的多模态表征学习
密码学与安全
2025-10-17 v1 人工智能
摘要
移动应用市场上拥有数百万款应用，但仍难以捕捉那些不依赖于受保护 API 的不良行为（如干扰性广告、非法跳转、支付欺诈），因为它们可以通过 UI 或元数据编辑轻易地隐藏。我们提出了 BINCTX，一种通过构建应用的多模态表征来实现鲁棒行为检测的方法。该方法从（i）全局字节码图像视图中捕获代码级语义和家族式模式，（ii）语境视图（表现为的动作、组件、声明权限、URL/IP 常量）反映行为触发方式，（iii）第三方库使用视图概括沿组件间调用路径的调用频率。将这三种视图嵌入并融合，以训练一个具语境感知能力的分类器。在真实的恶意软件和良性应用上，BINCTX 实现了 94.73% 的宏平均 F1 分数，优于强基线至少 14.92%。即使在商业混淆下（混淆后 F1 为 84%）也保持稳健性，并在抵抗对抗样本方面优于最新的仅字节码的系统。
关键词
引用
@article{arxiv.2510.14344,
title = {BinCtx: Multi-Modal Representation Learning for Robust Android App Behavior Detection},
author = {Zichen Liu and Shao Yang and Xusheng Xiao},
journal= {arXiv preprint arXiv:2510.14344},
year = {2025}
}