.png){kind=icon}
返回
FUADroid: android malware detection with multi-view API feature fusion using machine learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03224-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Android恶意软件的快速增长需要准确高效的检测技术。基于函数调用图（FCG）的静态分析在建模应用行为方面显示出巨大潜力，但现有方法通常面临两大挑战：（i）在简化大规模调用图以降低开销时，往往难以充分保留敏感API周围的关键上下文信息；（ii）Android API的持续演化容易导致方法级特征漂移，使敏感API集合过时，进而引发特征不匹配和跨年场景下的泛化能力下降。这些问题共同削弱了模型捕捉恶意行为语义的能力，尤其在跨年评估中性能下降明显。为解决此问题，我们提出FUADroid，一种融合结构视图和统计语义视图的静态恶意软件检测方法。FUADroid首先通过结合Android官方文档的知识先验与$$\chi^2$$统计测试构建可更新的敏感API集合；随后通过保留敏感API周围的n-hop上下文子图并将周边结构聚合为类级超节点，构建敏感系统函数调用图（SSFCG），从而平衡语义保真度与计算效率；最终，FUADroid在SSFCG上的图卷积网络（GCN）结构分类器与类级统计语义特征的随机森林分类器之间进行软投票融合，实现互补建模。在多个数据集上的实验结果表明，FUADroid实现了优异的检测性能，并在跨年评估设置中展现出增强的鲁棒性。
Keyword:
Android malware detection
Feature engineering
Function call graph
Graph neural network
Machine learning
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
S3Feature: A static sensitive subgraph-based feature for android malware detectionS3Feature: 基于静态敏感子图的android恶意软件检测功能.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Using multi-audio feature fusion for android malware detection使用多音频特征融合进行android恶意软件检测COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏GSEDroid: GNN-based Android malware detection framework using lightweight semantic embeddingGSEDroid: 基于GNN的Android恶意软件检测框架，使用轻量级语义嵌入COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Android malware detection method based on graph attention networks and deep fusion of multimodal features基于图关注网络和多模态特征深度融合的Android恶意软件检测方法
PREAI
分享收藏An effective deep learning scheme for android malware detection leveraging performance metrics and computational resources一种基于性能指标和计算资源的高效深度学习方案用于安卓恶意软件检测
PREAI
分享收藏
查看更多内容