增强基于检索增强生成的 Android 恶意软件检测
密码学与安全
2025-07-01 v1
摘要
Android 应用程序的广泛使用使其成为网络攻击的主要目标，显著增加了威胁用户隐私、安全性及设备功能的恶意软件风险。因此，有效的恶意软件检测至关重要，静态分析、动态分析和机器学习是广泛使用的检测方法。本文聚焦于基于机器学习的方法，利用静态特征。我们首先编译了包含良性和恶意 APK 的数据集，并进行静态分析以提取代码结构、权限和清单文件内容等特征，无需实际运行应用程序。与仅依赖原始静态特征不同，我们的系统使用大语言模型（LLM）生成 APK 的高层功能描述。为缓解大语言模型已知的幻觉漏洞，我们集成了检索增强生成（RAG），使模型能够基于相关上下文生成输出。通过精心设计的提示词，我们引导模型生成连贯的功能摘要，这些摘要随后被用于 transformer-based 模型进行分析，显著提升了相较于传统特征-based 方法的恶意软件检测准确率。
引用
@article{arxiv.2506.22750,
title = {Enhancing Android Malware Detection with Retrieval-Augmented Generation},
author = {Saraga S. and Anagha M. S. and Dincy R. Arikkat and Rafidha Rehiman K. A. and Serena Nicolazzo and Antonino Nocera and Vinod P},
journal= {arXiv preprint arXiv:2506.22750},
year = {2025}
}