面向 Android 恶意软件检测系统的污染物去除
密码学与安全
2017-11-16 v2
摘要
近期报告指出每 4 秒就出现一个新的恶意应用。这种快速的恶意软件分发速率导致现有恶意软件检测系统远远落后，使恶意应用逃脱审查并被甚至合法的应用商店分发。当可信下载站点分发恶意软件时，会产生若干负面后果。首先，这些站点的流行度会使此类恶意应用快速且广泛地感染设备。其次，依赖基于机器学习的检测技术的分析师和研究人员也可能下载这些应用，并因它们未被披露为恶意软件而误标为良性。这些应用在模型训练与测试期间被用作其良性数据集的一部分。良性数据集中污染物的存在会损害其检测与分类技术的有效性和准确性。为解决此问题，我们引入 PUDROID（基于正类与未标记学习的 Android 恶意软件检测）以自动且有效地从训练数据集中去除污染物，使基于机器学习的恶意软件分类器与检测器更加有效和准确。为进一步提升此类检测器的性能，我们应用特征选择策略从多种特征中选取相关特征。随后我们使用两个数据集比较检测系统的检测率与准确性：一个使用 PUDROID 去除污染物，另一个未去除污染物。结果表明，一旦从数据集中去除污染物，我们便能显著提升恶意软件检测率与检测准确性。
引用
@article{arxiv.1711.02715,
title = {Contaminant Removal for Android Malware Detection Systems},
author = {Lichao Sun and Xiaokai Wei and Jiawei Zhang and Lifang He and Philip S. Yu and Witawas Srisa-an},
journal= {arXiv preprint arXiv:1711.02715},
year = {2017}
}
备注
2017 IEEE International Conference on Big Data