基于相似度的安卓恶意软件检测：利用静态二进制特征的汉明距离
密码学与安全
2019-11-28 v2 机器学习
神经与进化计算
机器学习
摘要
在本文中，我们开发了四种使用汉明距离来寻找样本间相似度的恶意软件检测方法，分别为首近邻（FNN）、全近邻（ANN）、加权全近邻（WANN）和基于 k-medoid 的近邻（KMNN）。在我们提出的方法中，如果我们检测到某个 Android 应用是恶意的，便可触发警报。因此，我们的解决方案有助于避免已检测到的恶意软件在更大范围内传播。我们提供了所提出检测方法及相关算法的详细描述。我们进行了广泛的分析以评估所提出基于相似度检测方法的适用性。为此，我们在三个数据集上开展实验，包括良性与恶意 Android 应用如 Drebin、Contagio 和 Genome。进而，为证实我们分类器的实际有效性，我们与一些最先进的分类与恶意软件检测算法进行了性能比较，即 Mixed 与 Separated 方案、基于熵的程序相异度度量（PDME）以及 FalDroid 算法。我们在这些数据集上测试了不同类型的特征：API、intent 和权限特征。结果证实，所提算法的准确率超过 90%，且在部分情况下（即考虑 API 特征时）超过 99%，并与现有最先进方案相当。
引用
@article{arxiv.1908.05759,
title = {Similarity-based Android Malware Detection Using Hamming Distance of Static Binary Features},
author = {Rahim Taheri and Meysam Ghahramani and Reza Javidan and Mohammad Shojafar and Zahra Pooranian and Mauro Conti},
journal= {arXiv preprint arXiv:1908.05759},
year = {2019}
}
备注
20 pages, 8 figures, 11 tables, FGCS Elsevier journal