SeqMobile：一种基于序列并在移动设备上使用 RNN 的高效 Android 恶意软件检测系统
密码学与安全
2020-11-11 v1 软件工程
摘要
随着 Android 恶意软件的泛滥，对高效且有效的恶意软件检测系统的需求日益增长。现有的设备端基于学习的解决方案往往提取有限的语法特征（如权限和 API 调用）以满足移动设备的特定时间约束。然而，语法特征缺乏能够表征潜在恶意行为的语义，进而无法构建出更准确且更鲁棒的恶意软件检测模型。本文提出一种高效的 Android 恶意软件检测系统 SeqMobile，其采用基于行为的序列特征，并在移动设备而非服务器上利用定制化的深度神经网络。不同于传统的服务器端基于序列的方法，为满足性能需求，SeqMobile 接受三种有效的性能优化方法来降低时间开销。为评估我们系统的有效性与效率，我们从以下方面开展实验：1) 不同循环神经网络（recurrent neural networks, RNN）的检测准确率；2) 不同移动设备上的特征提取性能；3) 不同序列长度下的检测准确率与预测时间开销。结果表明，SeqMobile 能够以高准确率有效检测恶意软件。此外，我们的性能优化方法被证明可将训练与预测性能提升至少两倍。另外，为发掘 SOTA TensorFlow 模型优化工具包对我们方法的潜在性能优化，我们也提供了对该工具包的评估，可作为其他采用基于序列学习方法系统的指导。总体而言，我们得出结论：我们的基于序列的方法，结合我们的性能优化方法，使我们能够在移动设备的性能需求下检测恶意软件。
引用
@article{arxiv.2011.05218,
title = {SeqMobile: A Sequence Based Efficient Android Malware Detection System Using RNN on Mobile Devices},
author = {Ruitao Feng and Jing Qiang Lim and Sen Chen and Shang-Wei Lin and Yang Liu},
journal= {arXiv preprint arXiv:2011.05218},
year = {2020}
}
备注
ICECCS-2020