少即是多：一种基于联邦学习的隐私保护 Android 恶意软件分类器
密码学与安全
2021-06-17 v3 机器学习
摘要
在本文中，我们提出 LiM（“Less is More”，少即是多），一种利用联邦学习以隐私保护方式检测和分类恶意应用的恶意软件分类框架。关于新安装应用的信息保留在用户设备的本地，因此提供商无法推断用户安装了哪些应用。同时，所有用户的输入在联邦学习过程中被纳入考虑，并且他们都受益于更好的分类性能。该设置的一个关键挑战是用户无法访问真实标签（即他们无法正确识别一个应用是否为恶意）。为此，LiM 使用了一种安全的半监督集成方法，相对于由服务提供商（即云端）训练的基线分类器最大化分类准确率。我们实现了 LiM，并表明在使用 25K 个干净应用和 25K 个恶意应用、200 个用户和 50 轮联邦的数据集时，云服务器的 F1 分数为 95%，而客户端在 >100 个应用中仅有 1 个假阳性且召回率完美。此外，我们进行了安全性分析，并证明 LiM 对控制半数客户端的对手所发起的投毒攻击以及由诚实但好奇的云服务器执行的推理攻击均具有鲁棒性。使用 MaMaDroid 数据集的进一步实验证实了其对投毒攻击的抵抗能力以及因联邦而带来的性能提升。
引用
@article{arxiv.2007.08319,
title = {Less is More: A privacy-respecting Android malware classifier using Federated Learning},
author = {Rafa Gálvez and Veelasha Moonsamy and Claudia Diaz},
journal= {arXiv preprint arXiv:2007.08319},
year = {2021}
}
备注
21 pages, 8 figures, accepted in PoPETS 2021.4