DL-Droid：基于深度学习并利用真实设备的安卓恶意软件检测
密码学与安全
2019-11-25 v1 机器学习
神经与进化计算
机器学习
摘要
自2012年以来，Android操作系统一直是智能手机和平板电脑最受欢迎的系统。这种流行导致近年来Android恶意软件迅速增加。Android恶意软件混淆与检测规避方法的复杂程度显著提升，使得许多传统恶意软件检测方法过时。在本文中，我们提出DL-Droid，一种通过基于状态输入生成的动态分析来检测恶意Android应用的深度学习系统。我们展示了在真实设备上对超过30,000个应用（良性与恶意）进行的实验。此外，还使用深度学习系统对基于状态的输入生成方法与常用的无状态方法的检测性能和代码覆盖率进行了对比实验。我们的研究表明，DL-Droid仅使用动态特征可达到97.8%的检测率，结合动态与静态特征可达到99.6%的检测率，优于传统机器学习技术。此外，结果凸显了增强输入生成对动态分析的重要性，因为采用基于状态输入生成的DL-Droid被证明优于现有的最先进方法。
引用
@article{arxiv.1911.10113,
title = {DL-Droid: Deep learning based android malware detection using real devices},
author = {Mohammed K. Alzaylaee and Suleiman Y. Yerima and Sakir Sezer},
journal= {arXiv preprint arXiv:1911.10113},
year = {2019}
}