MASKDROID：基于掩码图表示的鲁棒安卓恶意软件检测
密码学与安全
2024-10-01 v1 人工智能
软件工程
摘要
安卓恶意软件攻击对移动用户构成了严重威胁，因此对自动化检测系统产生了巨大需求。在恶意软件检测所使用的各种工具中，图表示（例如函数调用图）在表征安卓应用行为方面发挥了关键作用。然而，尽管当前最先进的基于图的恶意软件检测器在恶意软件检测中取得了令人瞩目的性能，但它们容易受到对抗样本的攻击。这些对抗样本是通过对正常恶意输入引入特定扰动而精心构造的。为了防御对抗攻击，现有的防御机制通常是检测器的补充附加组件，并且表现出显著的局限性，通常依赖于对抗样本的先验知识，无法有效防御未见过的攻击类型。在本文中，我们提出了 MASKDROID，一个具有强大判别能力以识别恶意软件并对对抗攻击具有显著鲁棒性的检测器。具体来说，我们在基于图神经网络（GNN）的框架中引入了一种掩码机制，迫使 MASKDROID 仅使用随机选择的一小部分（例如 20%）节点来恢复整个输入图。该策略使模型能够理解恶意语义并学习更稳定的表示，从而增强其对对抗攻击的鲁棒性。在以图结构内部依赖关系的形式捕获稳定的恶意语义的同时，我们进一步采用对比模块，鼓励 MASKDROID 为良性和恶意类别学习更紧凑的表示，以增强其从良性应用和对抗样本中检测恶意软件的判别能力。
引用
@article{arxiv.2409.19594,
title = {MASKDROID: Robust Android Malware Detection with Masked Graph Representations},
author = {Jingnan Zheng and Jiaohao Liu and An Zhang and Jun Zeng and Ziqi Yang and Zhenkai Liang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2409.19594},
year = {2024}
}