面向 Android 恶意软件防御的深度学习：系统性文献综述

恶意应用（尤其是针对 Android 平台的那些）对开发者和终端用户构成严重威胁。大量研究工作致力于开发有效方法来防御 Android 恶意软件。然而，鉴于 Android 恶意软件的爆发式增长以及混淆和反射等恶意规避技术的持续演进，基于人工规则或传统机器学习的 Android 恶意软件防御方法可能不再有效。近年来，一个名为深度学习（DL）的主导研究领域凭借强大的特征抽象能力，在自然语言处理和计算机视觉等诸多领域展现出引人注目且前景广阔的性能。为此，运用深度学习技术抵御 Android 恶意软件攻击近来获得了相当多的研究关注。然而，目前尚无聚焦于 Android 恶意软件防御中深度学习方法的系统性文献综述。本文开展了一项系统性文献综述，以检索并分析深度学习方法是如何应用于 Android 环境下的恶意软件防御的。最终，我们识别出涵盖 2014—2021 年期间的共 132 项研究。我们的调查显示，尽管这些文献中的大多数主要考虑基于 DL 的 Android 恶意软件检测，但有 53 项主要研究（40.1%）基于其他场景设计了防御方法。本综述还讨论了基于 DL 的 Android 恶意软件防御中的研究趋势、研究焦点、挑战与未来研究方向。