一刀切并不适用：量化不同 Android 用户画像遭遇恶意应用的风险

已有研究考察了基于国籍、年龄、既往技术滥用经历和经济状况所定义的特定用户群体内安全实践的独特性。其结果凸显出，当前采用一刀切用户方式的安全方案忽视了特定用户群体的差异与需求。然而，这些工作聚焦于单一群体，或将用户聚类为难以解释的亚人口。在本工作中，我们对跨用户群体遭遇恶意软件与其他潜在有害应用（PUA）的风险进行了大规模定量分析。我们研究的核心是从 1200 万台 Android 移动设备收集的应用安装日志数据集。利用用户安装的应用，我们基于用户兴趣（如游戏玩家与投资者）定义直观画像，并将其中 540 万台设备的子集拟合至这些画像。我们的分析分为三部分。首先，我们对全体人口进行风险分析，以衡量恶意应用遭遇风险受不同因素的影响。接着，我们创建不同画像以探究用户间的风险差异是否源于其兴趣。最后，我们将用于分类干净与感染设备的按画像方法与考虑全体人口的传统方法进行比较。我们观察到诸如应用签名者多样性与替代市场使用等特征与恶意应用遭遇风险高度相关。我们还发现，游戏玩家与社交媒体用户等某些画像所暴露的风险超过普通用户的两倍。我们还表明，采用按画像方法训练预测模型时分类结果准确率有明显提升。总体而言，我们的结果证实了通用型保护方案的不适用性。