通过多互补视图可视化应用行为检测安卓恶意软件

深度学习已成为实现安卓恶意软件检测的一项有前景的技术。为进一步释放其检测潜力，可集成软件可视化技术以清晰分析应用行为的细节。然而，面对日益复杂的恶意软件，现有的基于可视化的方法仅从一个或随机选择的少数视图进行分析，只能检测有限的攻击类型。我们提出并实现了LensDroid，这是一种通过从多个互补视图可视化应用行为来检测安卓恶意软件的新技术。我们的目标是利用深度学习和软件可视化的结合力量，自动捕获并聚合那些本身不相关的高级特征，从而揭示安卓应用行为中隐藏的恶意性。为了全面理解应用的细节，我们从三个相关但不同的视图——行为敏感性、操作上下文和支持环境——来可视化应用行为。然后，我们根据这些视图相应地提取高阶语义。为了利用视图之间的语义互补性，我们设计了一个基于深度神经网络的模型，根据可视化特征对下游任务的贡献，从局部到全局对其进行融合。我们在包含超过51,000个应用的数据集上，针对三种真实世界的典型场景（包括整体威胁、应用演化和零日恶意软件）与五种基线技术进行了全面比较。实验结果表明，LensDroid的整体性能优于基线技术。我们还验证了视图的互补性，并证明了LensDroid中的多视图融合增强了安卓恶意软件检测。