Regression-Aware Continual Learning for Android Malware Detection

doi:10.1109/tifs.2026.3714132

2026-07-16

DOI：10.1109/tifs.2026.3714132

原文链接

原文求助

摘要

En 中文

恶意软件迅速演变，迫使基于机器学习的检测器需要持续更新。随着杀毒软件供应商每日处理数十万新样本，数据集可能增长至数十亿个示例，使得全量重新训练不切实际。持续学习（CL）已作为一种可扩展的替代方案出现，它能在无需完全访问数据的情况下实现增量更新，同时缓解灾难性遗忘。本研究分析了这一背景下一个关键但被忽视的问题：安全退化。与遗忘（表现为先前数据上平均性能下降）不同，安全退化捕获有害的样本级预测变化，例如在更新前被正确检测到的恶意软件样本在更新后逃避了检测。这在安全关键型应用中构成严重风险，因为先前被检测到的威胁的静默重新引入可能破坏用户对更新过程的信任，导致他们感知到安全退步，即使模型的平均性能实际上有所提升。我们首先对基于CL的恶意软件检测器中的安全退化进行形式化并量化，揭示模型更新后有3-6%的恶意软件经历退化。随后，我们通过引入面向退化的框架来解决此问题。具体而言，我们通过正同构训练（PCT）实现该框架，展示了其与任何现有CL策略的无缝集成。在ELSA、Tesseract和AZ-Class数据集上的实验表明，我们的方法有效将退化减少一半，同时在不同CL场景下保持强大的检测性能。

Keyword:

Android malware

continual learning

negative flips

regression testing

期刊

IEEE Transactions on Information Forensics and Security

IF:

论文数:

5.3K

被引数:

2.3W

机构

University of Cagliari

学者数:

1.5K

论文数: 580

被引数: 9.1K

引用论文

Enhancing State-of-the-art Classifiers with API Semantics to Detect Evolved Android Malware

Proceedings of the 2020 ACM SIGSAC Conference on Computer and Communications Security

IF0

2020-11-02

OAAI

Xiaohan Zhang; Yuan Zhang; Ming Zhong; Daizong Ding; Yinzhi Cao; Yukun Zhang; Mi Zhang; Min Yang

Deep Android Malware Detection

Proceedings of the Seventh ACM on Conference on Data and Application Security and Privacy

IF0

2017-03-22

OAAI

Niall McLaughlin; Jesus Martinez del Rincon; BooJoong Kang; Suleiman Yerima; Paul Miller; Sakir Sezer; Yeganeh Safaei; Erik Trickel; Ziming Zhao; Adam Doupé; Gail Joon Ahn

Towards more realistic evaluations: The impact of label delays in malware detection pipelines

COMPUTERS & SECURITY

IF5.4

2025-01-01

PREAI

Botacin, Marcus; Gomes, Heitor

Unraveling the Key of Machine Learning-based Android Malware Detection

ACM Transactions on Software Engineering and Methodology

IF0

PREAI

Liu,Jiahao; Zeng,Jun; Pierazzi,Fabio; Yang,Ziqi; Cavallaro,Lorenzo; Liang,Zhenkai

A continual learning survey: Defying forgetting in classification tasks 持续学习调查: 在分类任务中无视遗忘