VOLTRON：使用基于图的零样本学习检测未知恶意软件
密码学与安全
2025-07-08 v1 人工智能
机器学习
摘要
Android 恶意软件的持续威胁对全球数百万用户的安全构成了严峻挑战。虽然已经开发了许多基于机器学习的方法来检测这些威胁，但它们对大型标注数据集的依赖限制了它们对新兴的、以前未见过的恶意软件家族的有效性，因为这些家族的可标注数据很少或根本不存在。为了应对这一挑战，我们引入了一种新颖的零样本学习框架，该框架结合了变分图自编码器（VGAE）和孪生神经网络（SNN），无需事先了解特定恶意软件家族的示例即可识别恶意软件。我们的方法利用 Android 应用程序的基于图的表示，使模型能够检测良性软件和恶意软件之间细微的结构差异，即使在新威胁缺乏标注数据的情况下也是如此。实验结果表明，我们的方法优于最先进的 MaMaDroid，尤其是在零日恶意软件检测方面。我们的模型对未知恶意软件家族达到了 96.24% 的准确率和 95.20% 的召回率，突显了其针对不断演变的 Android 威胁的鲁棒性。
引用
@article{arxiv.2507.04275,
title = {VOLTRON: Detecting Unknown Malware Using Graph-Based Zero-Shot Learning},
author = {M. Tahir Akdeniz and Zeynep Yeşilkaya and İ. Enes Köse and İ. Ulaş Ünal and Sevil Şen},
journal= {arXiv preprint arXiv:2507.04275},
year = {2025}
}
备注
17 pages, 6 figures, Submitted as a preprint