DaDiDroid:一种基于加权有向调用图建模、抗混淆的 Android 恶意软件检测工具
密码学与安全
2019-08-23 v3
摘要
自 2012 年以来,新移动恶意软件实例数量以每年超 50% 的速度增长 [24],恶意软件嵌入移动应用可以说是移动平台面临的最严重安全问题之一。尽管混淆技术被成功用于保护应用开发者的知识产权,但不幸的是,网络罪犯也常利用它们来隐藏移动应用中的恶意内容并欺骗恶意软件检测工具。因此,大多数移动恶意软件检测方法无法区分良性应用与混淆的恶意应用。我们通过构建 API 调用的加权有向图来考察移动应用代码的图特征,并验证恶意应用常共享结构相似性,可用于将其与良性应用区分,即使在训练集被严重“污染”(绝大多数应用被混淆)的情况下亦然。我们提出 DaDiDroid,一种利用 API 调用加权有向图特征来检测(混淆)Android 应用中恶意代码存在的 Android 恶意软件检测工具。我们表明 DaDiDroid 显著优于 MaMaDroid [23]——一种近期提出且在干净非混淆环境下被证极其高效的恶意软件检测工具。我们使用多个数据集(共计 43,262 个良性应用和 20,431 个恶意应用)评估 DaDiDroid 针对若干规避技术的准确率与鲁棒性。我们显示 DaDiDroid 正确标记多达 96% 的 Android 恶意软件样本,且在使用纯混淆应用训练集时达到 91% 的准确率。
引用
@article{arxiv.1905.09136,
title = {DaDiDroid: An Obfuscation Resilient Tool for Detecting Android Malware via Weighted Directed Call Graph Modelling},
author = {Muhammad Ikram and Pierrick Beaume and Mohamed Ali Kaafar},
journal= {arXiv preprint arXiv:1905.09136},
year = {2019}
}
备注
9 pages. arXiv admin note: text overlap with arXiv:1801.01633 by other authors