基于关联特征选择的 Android 恶意软件检测器 CorrNetDroid
密码学与安全
2025-03-04 v1 多媒体
摘要
市面上存在大量移动操作系统，但 Android 仍是用户的首选。同时，其日益增长的受欢迎程度也吸引了恶意软件开发者。研究人员提出了各种静态方法用于 Android 恶意软件检测。然而，更隐蔽的恶意软件能规避静态分析。这使得需要一种能够应对高级威胁并克服静态分析局限性的健壮 Android 恶意软件检测系统。鉴于此，本工作提出一种基于动态分析的 Android 恶意软件检测系统，名为 CorrNetDroid，其基于网络流量进行分析。许多流量特征在正常数据集和恶意软件数据集中呈现重叠范围。因此，我们首先使用两种统计量 crRelevance 和归一化残差相似性 (NMRS) 对特征进行排序，以评估特征-类别和特征-特征之间的相关性。随后，我们引入一种新颖的基于关联的特征选择算法，应用 NMRS 对 crRelevance 排序结果进行处理，以识别用于 Android 恶意软件检测的最优特征子集。实验结果表明，该模型在仅考虑两个网络流量特征时，即可实现 99.50% 的检测准确率。此外，我们的实验表明，针对 crRelevance 排序结果的 NMRS 算法优于卡方检验、ANOVA、Mann-Whitney U 检验和 Kruskal-Wallis 检验等统计检验方法。与各种最先进的 Android 恶意软件检测技术相比，我们的模型在检测准确率方面显著领先。
引用
@article{arxiv.2503.01396,
title = {CorrNetDroid: Android Malware Detector leveraging a Correlation-based Feature Selection for Network Traffic features},
author = {Yash Sharma and Anshul Arora},
journal= {arXiv preprint arXiv:2503.01396},
year = {2025}
}