面向基于静态分析与机器学习的Android恶意软件检测器的公平比较与 realistic 评估框架
密码学与安全
2022-10-07 v2 机器学习
软件工程
摘要
与其他网络安全领域一样，机器学习（ML）技术已成为检测Android恶意软件的一种有前景的解决方案。就此而言，迄今为止已提出许多采用多种算法和特征集的方案，常报告令人印象深刻的检测性能。然而，缺乏可重复性和标准评估框架使得这些方案难以比较。在本文中，我们使用一个通用评估框架对10项有影响力的Android恶意软件检测研究工作进行分析。我们确定了五个因素，若在创建数据集和设计检测器时未加以考虑，将显著影响所训练的ML模型及其性能。具体而言，我们分析了（1）重复样本的存在、（2）标签（良性软件/灰软件/恶意软件）归属、（3）类别不平衡、（4）使用规避技术的应用的存在，以及（5）应用的演化所产生的影响。基于这一广泛实验，我们得出结论：所研究的基于ML的检测器均被乐观评估，这也印证了已发表的良好结果。我们的发现还强调，考虑到上述因素生成真实的实验场景，对于推动更好的基于ML的Android恶意软件检测解决方案的出现势在必行。
引用
@article{arxiv.2205.12569,
title = {Towards a Fair Comparison and Realistic Evaluation Framework of Android Malware Detectors based on Static Analysis and Machine Learning},
author = {Borja Molina-Coronado and Usue Mori and Alexander Mendiburu and Jose Miguel-Alonso},
journal= {arXiv preprint arXiv:2205.12569},
year = {2022}
}