.png){kind=icon}
返回
MOSDroid: Obfuscation-resilient android malware detection using multisets of encoded opcode sequences
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2025.104379.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
安卓设备的快速普及使其成为恶意软件开发者的主要目标，需要采用复杂的检测技术。混淆技术对安卓恶意软件检测构成了重大挑战，这归因于该平台的独特特性以及恶意软件开发者广泛使用混淆技术。本研究提出了一种能够抵抗混淆的静态安卓恶意软件检测方法。该方法涉及提取方法级操作码序列并将其分段为字符串，将方法表示为编码操作码序列多重集（MOS）。下一步是基于多重集相等原则将安卓应用程序包（APK）编码为一组多重集。该编码提供了详细的方法表示和高效的APK比较，优化了所提出的方法，提高了检测准确率和效率。所提出的方法采用了一种通过过滤和特征选择过程生成缩减特征子集的策略。这进一步提高了效率，增强了模型性能，防止了过拟合，简化了解释，并优化了计算资源。用于评估MOSDroid性能的数据集包括Data-MD，这是一个包含15,356个从AndroZoo获取的安卓应用的数据集，以及Data-MOS，由从AndroZoo和Drebin基准收集的10,500个安卓应用组成。此外，还分析了从这些数据集中衍生的25,990个混淆样本，以评估混淆的影响和方法的鲁棒性。实验结果表明，所提出的方法在恶意软件检测中强大且能够抵抗混淆，达到了98.41%的准确率和99.45%的AUC。
Keyword:
Malware detection
Obfuscation techniques
Static analysis
Opcode sequences
期刊
C
IF:
5.4
论文数:
4.6K
被引数:
1.4W
机构
引用论文
DroidRL: Feature selection for android malware detection with reinforcement learningDroidRL: 通过强化学习进行android恶意软件检测的功能选择.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Permissions-Based Detection of Android Malware Using Machine Learning基于权限的机器学习Android恶意软件检测Symmetry
OAAI
SymmetryIF0
OAAI分享收藏FAMD: A Fast Multifeature Android Malware Detection Framework, Design, and ImplementationFAMD: 一种快速的多功能Android恶意软件检测框架、设计与实现IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A survey of malware detection in Android apps: Recommendations and perspectives for future researchAndroid应用程序中恶意软件检测的调查: 未来研究的建议和观点COMPUTER SCIENCE REVIEW
COMPUTER SCIENCE REVIEWIF12.7
PREAI
分享收藏
查看更多内容