DeepTrust: Multi-step classification through dissimilar adversarial representations for robust android malware detection

doi:10.1016/j.eswa.2026.132961

DeepTrust: Multi-step classification through dissimilar adversarial representations for robust android malware detection

2026-09-29

0

PRE

AI

P

Pulido-Cortazar, Daniel

DOI：10.1016/j.eswa.2026.132961

原文链接

原文求助

摘要

En 中文

过去十年，机器学习已被广泛应用于识别恶意Android应用程序。然而，此类方法仍然容易受到对抗样本的攻击，即通过巧妙操纵以欺骗机器学习模型做出错误预测的样本。本研究提出DeepTrust，一种新颖的元启发式算法，它将灵活的分类器（如深度神经网络）排列成一个有序序列，其中最终决策由一个基于级联激活条件进行判断的内部模型做出。在2025年IEEE SaTML会议的鲁棒Android恶意软件检测竞赛中，DeepTrust获得了第一名，并取得了最先进的成果，在特征空间规避攻击下，其性能优于次优竞争对手高达266%。这一成果是在保持对非对抗性恶意软件的最高检测率以及低于1%的误报率的情况下实现的。该方法的有效性源于在不同鲁棒性导向的学习方案下，诱导内部模型产生不同的表征。这干扰了规避攻击固有的迭代扰动过程，增强了系统鲁棒性，而不会影响干净样本的准确性。

Keyword:

Malware detection

Android

Machine learning

Deep learning

Adversarial machine learning

DeepTrust: Multi-step classification through dissimilar adversarial representations for robust android malware detection

摘要

期刊

机构

引用论文