面向可扩展且可解释的移动应用风险分析：大语言模型方法
光学
2025-09-18 v2 高能物理 - 实验
仪器与探测器
摘要
移动应用市场负责审核应用以识别和缓解安全风险。当前审核过程依赖于安全专业人员进行的手动分析，辅以半自动工具。为解决效率问题，本文提出 Mars 系统，利用大语言模型实现自动化风险识别和轮廓化。Mars 设计用于在最小人工干预下对多个应用进行多风险类别的并行分析。为提升分析精度和操作效率，Mars 采用预构建的风险识别树，从高维应用特征中提取相关指示器。该初始步骤筛选数据，减少语言模型的输入量，缓解因无关特征导致的模型幻觉问题。提取的指示器随后用于语言模型分析，以进行最终风险判断。此外，Mars 自动为每个评估生成综合性证据链，记录分析过程以提供透明的依据。这些证据链旨在促进后续人工审核并 informing 决策，如应用撤下。对 Mars 的性能在来自合作伙伴 Android 市场的真实数据集上进行评估。结果表明，Mars 在风险识别方面的 F1 分数为 0.838，在证据检索方面的 F1 分数为 0.934。为评估其实际适用性，进行了 20 名专家分析师的用户研究，表明 Mars 在常规手动分析中实现了 60% 至 90% 的显著效率提升。
引用
@article{arxiv.2508.15605,
title = {Monochromatic Cherenkov diffraction radiation from continuous coupling of an electron beam to a thin dielectric slab waveguide},
author = {Andrzej Szczepkowicz and Po-Wei Kuo and Yen-Cheh Huang},
journal= {arXiv preprint arXiv:2508.15605},
year = {2025}
}
备注
A paragraph added to the introduction with additional references, and a few small changes. Alternative phrasing of the title