Mask Off：基于分析学的通过迁移学习与模型个性化的恶意软件检测
密码学与安全
2022-11-22 v1 机器学习
摘要
智能手机对网络攻击的脆弱性因所安装应用（\textit{apps}）的完整性已成为用户的严重关切。尽管应用程序旨在提供合法且多样化的移动服务，但有害和危险的应用也揭示了渗透智能手机进行恶意行为的可行途径。深入的应用分析是揭示恶意意图并为安全风险评估提供对应用行为更多洞察的关键。这种深入分析促使采用深度神经网络（DNNs）对从应用中提取的一组特征与模式进行处理，以独立地检测潜在危险应用。本文提出一种基于分析学的深度神经网络、Android恶意软件检测（ADAM），其采用细粒度特征集训练特定于特征的DNN，以在应用真实标签未知时对其标签达成共识。此外，ADAM利用迁移学习技术获得其跨智能手机对新应用的可调性，通过模型个性化和联邦学习技术回收预训练模型并使其更具适应性。该可调性还得到联邦学习守卫的辅助，其通过模型分析保护ADAM免受投毒攻击。ADAM依赖于包含超过153000个应用及逾41000个提取特征用于DNN训练的多样数据集。ADAM的特定于特征的DNN平均达到超过98%的准确率，从而对数据操纵攻击表现出卓越性能。
引用
@article{arxiv.2211.10843,
title = {Mask Off: Analytic-based Malware Detection By Transfer Learning and Model Personalization},
author = {Amirmohammad Pasdar and Young Choon Lee and Seok-Hee Hong},
journal= {arXiv preprint arXiv:2211.10843},
year = {2022}
}