FamDroid：基于学习的采用静态分析的 Android 恶意软件家族分类
密码学与安全
2021-02-01 v2
摘要
Android 目前是全球使用最广泛的智能手机平台。由于其流行与开源特性，Android 恶意软件近年来快速增长，给用户隐私带来巨大风险。一个恶意软件家族中的应用可能具有共同特征与相似行为，这有助于恶意软件检测与审查。因此，将 Android 恶意软件分类至其对应家族是恶意软件分析中的一项重要任务。当前，现有 Android 恶意软件家族分类研究的主要问题在于所提取特征不足以表征恶意家族中恶意软件的共同行为特征，且采用单一分类器或静态集成分类器受限而难以进一步提升分类准确率。本文中，我们提出 FamDroid，一种基于学习、使用静态分析技术的 Android 恶意软件家族分类方案。在 FamDroid 中，从恶意软件应用的 apk 文件中提取包括权限、硬件组件、应用组件、意图过滤器在内的显式特征。此外，由所提取 API 生成的隐藏特征用于表示应用中的 API 调用关系。然后，我们设计了一种考虑样本对各基分类器适应性的自适应加权集成分类器，以执行准确的恶意软件家族分类。我们在包含 5560 个 Android 恶意应用的 Drebin 数据集上进行了实验。通过与 5 种传统机器学习模型及 4 种前沿参考方案比较，证明了 FamDroid 的优越性。FamDroid 能正确将 98.92% 的恶意软件样本分类至其家族，并取得 99.12% 的 F1-Score。
引用
@article{arxiv.2101.03965,
title = {FamDroid: Learning-Based Android Malware Family Classification Using Static Analysis},
author = {Wenhao fan and Liang Zhao and Jiayang Wang and Ye Chen and Fan Wu and Yuan'an Liu},
journal= {arXiv preprint arXiv:2101.03965},
year = {2021}
}
备注
This manuscript has been submitted to Neurocomputing and is currently under its consideration for publication