集成 APK 图像与文本数据以增强威胁检测：一种针对 Android 恶意软件的多模态深度学习方法
密码学与安全
2026-01-15 v1 软件工程
摘要
随着零日 Android 恶意软件攻击变得越来越复杂，最近的研究突出了使用恶意软件字节码图像表示来检测以前未见过的威胁的有效性。然而，现有研究常常忽视图像类型和分辨率对检测的影响，同时忽视 Android 应用程序包（APK）中valuable 文本数据，如权限和元数据，这限制了其完全捕获恶意行为的能力。多模态集成的结合方法正在成为一种有前景的解决这些限制的方法。本文提出了一个集成 APK 图像和文本特征的多模态深度学习框架，以增强 Android 恶意软件检测。我们系统地评估了各种图像类型和分辨率在不同的卷积神经网络（CNN）架构上的表现，包括 VGG、ResNet-152、MobileNet、DenseNet、EfficientNet-B4，并使用大型语言模型 LLaMA-2 提取和标注文本特征以提高分析效果。研究结果表明，分辨率较高的 RGB 图像（如 256x256、512x512）实现了更好的分类性能，而使用 CLIP 模型集成图像和文本的多模态方法显示出有限的潜力。总体而言，本研究凸显了系统评估图像属性和集成多模态数据以开发有效 Android 系统恶意软件检测的重要性。
引用
@article{arxiv.2601.08959,
title = {Integrating APK Image and Text Data for Enhanced Threat Detection: A Multimodal Deep Learning Approach to Android Malware},
author = {Md Mashrur Arifin and Maqsudur Rahman and Nasir U. Eisty},
journal= {arXiv preprint arXiv:2601.08959},
year = {2026}
}