.png){kind=icon}
返回
Knowledge is Power: A Knowledge Graph-Based Approach for Mobile Malware Traceability Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/tmc.2026.3673942.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
安卓恶意软件的普遍性引发了恶意软件分析中可追溯性问题，亟需进行探索。建立新发现恶意软件与现有数据之间的关联，有助于揭示恶意软件的可追溯性分析和其背后的原因。然而，实际恶意软件可追溯性分析因数据量庞大而复杂且耗时，通常需要人工检查且缺乏可解释的结果。因此，迫切需要一套全面的自动化恶意软件追溯框架，以提供详尽的可追溯性识别和解释能力。本文介绍了一种基于知识图谱的方法，利用带有语义和行为特征的局部API调用图来揭示恶意软件之间的可追溯性关系，并生成可解释的结果。该方法基于包含超过20,000个十年间标注恶意软件样本的数据集，通过利用先验知识和调用图的分支剪枝方法来处理复杂性。这降低了计算复杂度，并提高了确定可追溯性关系的精度。进行了严格的评估和验证，通过广泛的实验和结果确认进一步分析，评估了系统追踪恶意软件的有效性。系统的能力通过有效性、合理性和实用性得到验证，以展示方法设计的价值及其对安全专业人士的现实应用价值。
Keyword:
Mobile malware
traceability
knowledge graph
API call graph
explainable analysis
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
Android Malware Familial Classification and Representative Sample Selection via Frequent Subgraph Analysis基于频繁子图分析的Android恶意软件家族分类及代表性样本选择
PREAI
分享收藏LtrGCN: Large-Scale Graph Convolutional Networks-Based Learning to Rank for Web SearchLtrGCN：基于大规模图卷积网络的网页搜索排序学习
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.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Beyond Decision: Android Malware Description Generation through Profiling Malicious Behavior Trajectory超越决策：基于恶意行为轨迹分析的Android恶意软件描述生成
PREAI
分享收藏
查看更多内容