Defending Against Adversarial Malware Attacks on ML-Based Android Malware Detection Methods

doi:10.1109/tifs.2026.3729519

Defending Against Adversarial Malware Attacks on ML-Based Android Malware Detection Methods

2026-09-02

0

PRE

AI

DOI：10.1109/tifs.2026.3729519

原文链接

原文求助

摘要

En 中文

Android恶意软件对用户隐私和数据完整性构成持续威胁。为应对这一问题，研究人员提出了基于机器学习（ML-based）的Android恶意软件检测（AMD）方法。然而，对抗性Android恶意软件攻击会破坏基于ML的AMD方法的检测完整性，引发严重问题。现有对抗性Android恶意软件的防御主要关注特征空间攻击，仅生成对抗性特征向量，而对生成真实对抗性恶意软件的现实问题空间攻击的防御研究相对不足。在本文中，我们针对这一差距，提出ADD框架，这是一个实用的对抗性Android恶意软件防御框架，设计为插件形式，旨在增强基于ML的AMD方法对问题空间攻击的对抗鲁棒性。我们在多种基于ML的AMD方法上的评估表明，ADD在对抗所评估的最先进问题空间对抗性Android恶意软件攻击方面表现良好。此外，ADD在增强真实世界杀毒软件的对抗鲁棒性方面显示出防御有效性。

Keyword:

Android malware detection

adversarial defense

android malware

Defending Against Adversarial Malware Attacks on ML-Based Android Malware Detection Methods

摘要

期刊

机构

引用论文