.png){kind=icon}
返回
An Android Malware Detection Method Using Frequent Graph Convolutional Neural Networks
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14061151.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着Android在智能手机操作系统市场中占据主导地位，该平台上的恶意应用程序的泛滥也迅速加剧。这种多样化恶意软件变体的激增迫使研究人员探索利用机器学习的创新技术。鉴于静态分析在网络安全中的重要性，以及Dalvik opcode作为恶意软件精确表示的有效性已得到证实，许多研究采用了结合Dalvik opcode与机器学习算法来检测Android恶意软件的方法。目前，大量基于opcode的方法正在开发中，以从opcode序列中提取语义信息。然而，这些方法在实现精度方面面临显著挑战。尽管集成了额外的语义特征，但并未成功提升精度，反而常导致计算时间延长。此外，opcode序列的极长长度给其底层语义分析带来了重大障碍。面对这些挑战，深入探究替代特征有望克服现有困境，从而增强我们对恶意软件运行机制的理解。考虑到opcode依赖关系中蕴含的丰富信息内容，尽管该领域的研究相对匮乏，我们计划优先关注这些依赖关系。通过构建opcode图，旨在深入洞察这些依赖关系的拓扑属性，从而促进更全面的分析。本文提出了一种创新的Android恶意软件检测方法。该方法的核心过程包括构建Dalvik opcode图、提取频繁子图，并利用图卷积神经网络嵌入子图以提取拓扑特征并训练分类模型。该模型旨在准确区分恶意Android应用程序和合法应用程序。基于上述方法，我们成功开发了一个轻量级的Android恶意软件变体检测原型。通过理论分析和实际实验验证，该原型展现出卓越的有效性、效率和稳定性。具体而言，其检测准确率接近95%，单次检测的时间成本不超过0.1秒。
Keyword:
Android malware
Dalvik opcode
frequent subgraph
graph convolutional neural networks
opcode graph
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Guarding Against the Unknown: Deep Transfer Learning for Hardware Image-Based Malware Detection防范未知威胁：基于硬件图像的恶意软件检测深度迁移学习
.png){kind=icon}
PREAI
分享收藏DroidDissector: A Static and Dynamic Analysis Tool for Android Malware DetectionDroidDissector：一个用于Android恶意软件检测的静态和动态分析工具
PREAI
分享收藏LTAChecker: Lightweight Android Malware Detection Based on Dalvik Opcode Sequences Using Attention Temporal NetworksLTAChecker: 基于注意力时态网络的基于Dalvik操作码序列的轻量级Android恶意软件检测
PREAI
分享收藏Detection approaches for android malware: Taxonomy and review analysisandroid恶意软件的检测方法: 分类和评论分析
PREAI
分享收藏DroidFusion: A Novel Multilevel Classifier Fusion Approach for Android Malware DetectionDroidFusion: 一种用于Android恶意软件检测的新型多级分类器融合方法
OAAI
OAAI分享收藏分享收藏
查看更多内容