A Graph-Based Interpretable Framework for Effective Android Malware Detection#

Chun‐I Fan

doi:10.32604/cmes.2026.077799

A Graph-Based Interpretable Framework for Effective Android Malware Detection#

2026-04-01

0

PRE

AI

DOI：10.32604/cmes.2026.077799

原文链接

原文求助

摘要

En 中文

由于部分开源架构允许应用分析和重打包，加之其市场份额巨大，Android操作系统成为恶意软件的主要目标。近年来，研究人员广泛采用基于神经网络的方法检测Android恶意软件，虽取得显著效果但缺乏可解释性。可解释性对于展示模型行为和识别预测偏差至关重要，有助于验证和改进模型。此外，在紧急恶意软件分析场景中，可解释性使分析师能快速评估有害行为，并有助于未来恶意软件的开发和调查。因此，可解释性对于确保基于神经网络的恶意软件检测模型可信、可预测和鲁棒至关重要。为解决这些问题，我们提出了一种基于图注意力网络（GAT）的可解释Android恶意软件检测框架。该框架通过Android应用的数据流分析识别恶意行为，并通过GAT的注意力机制提供清晰度。分析师和研究人员可以获取详细信息，如涉及的Android API名称和执行顺序，从而更好地验证和安全检查。实验结果表明，该框架的精度达到97.4%。此外，案例研究突显了研究人员通过该框架获得的洞察。

Keyword:

Android malware detection

graph neural network

explainable artificial intelligence

A Graph-Based Interpretable Framework for Effective Android Malware Detection#

摘要

期刊

机构

引用论文