构建 Android 恶意软件检测的机器学习流水线：实践、挑战与机遇的程序化综述
密码学与安全
2023-06-13 v1 机器学习
摘要
作为智能手机市场的领导者，Android 一直是恶意软件攻击的重要目标。过去十年中，为其识别出的恶意应用程序（apps）数量持续增加，给所有相关方带来了巨大挑战。特别是对于市场运营方和研究人员而言，海量样本使得人工恶意软件检测不可行，从而催生了大量研究机器学习（ML）方法以自动化该过程的工作。然而，尽管一些所提出的方法取得了高性能，快速演化的 Android 恶意软件使它们无法随时间保持准确率。这在社区中产生了开展进一步研究并构建更灵活的 ML 流水线的需求。但当前由于缺乏对已发表文献的系统性概览，难以借鉴并改进现有方案，从而阻碍了这一进程。现有综述论文往往只关注 ML 流程的某些部分（例如数据收集或模型部署），而忽略其他重要阶段，如模型评估与解释。在本文中，我们通过回顾 42 篇高被引论文来解决此问题，这些论文跨越了十年的研究（2011 至 2021 年）。我们提出了一种新颖的程序化分类法，涵盖这些文献如何使用 ML 算法、设计了哪些特征、采用了何种降维技术、使用了哪些数据集进行训练，以及它们的评估与解释策略。基于该分类法，我们还识别了知识空白，并提供了改进与未来工作的思路。
引用
@article{arxiv.2306.07118,
title = {On building machine learning pipelines for Android malware detection: a procedural survey of practices, challenges and opportunities},
author = {Masoud Mehrabi Koushki and Ibrahim AbuAlhaol and Anandharaju Durai Raju and Yang Zhou and Ronnie Salvador Giagone and Huang Shengqiang},
journal= {arXiv preprint arXiv:2306.07118},
year = {2023}
}
备注
file:///C:/Users/ibrahim_abualhaol/Downloads/s42400-022-00119-8.pdf