利用图注意力机制实现可解释的Android恶意软件检测与恶意代码定位
密码学与安全
2025-03-11 v1
摘要
随着恶意软件威胁的不断升级，尤其是在移动设备上，对有效分析方法的需求前所未有。尽管包括基于人工智能的方法在内的现有安全解决方案具有潜力，但缺乏透明度限制了对检测到的威胁的理解。手动分析仍然耗时且依赖于稀缺的专业知识。为了应对这些挑战，我们提出了一种名为XAIDroid的新方法，该方法利用图神经网络和图注意力机制自动定位恶意软件中的恶意代码片段。通过将代码表示为API调用图，XAIDroid捕获语义上下文并增强对混淆的抵抗力。利用图注意力模型（GAM）和图注意力网络（GAT），我们为API节点分配重要性分数，促进对恶意代码定位关键信息的集中关注。在合成和真实世界的恶意软件数据集上的评估证明了我们方法的有效性，在恶意代码定位方面实现了高召回率和F1分数。自动恶意代码定位的成功实现增强了恶意软件分析的可扩展性、可解释性和可靠性。
引用
@article{arxiv.2503.07109,
title = {Explainable Android Malware Detection and Malicious Code Localization Using Graph Attention},
author = {Merve Cigdem Ipek and Sevil Sen},
journal= {arXiv preprint arXiv:2503.07109},
year = {2025}
}
备注
This paper has 13 pages and contains 5 images (3 figures within the paper and 2 author photos). It is being submitted to IEEE Transactions on Information Forensics and Security for consideration