Representation-Centric Approach for Android Malware Classification: Interpretability-Driven Feature Engineering on Function Call Graphs

doi:10.3390/app16062670

Representation-Centric Approach for Android Malware Classification: Interpretability-Driven Feature Engineering on Function Call Graphs

2026-03-11

2

PRE

AI

DOI：10.3390/app16062670

原文链接

原文求助

摘要

En 中文

现有关于使用图神经网络（GNNs）进行Android恶意软件检测的研究主要关注架构改进，而输入节点特征表示较少受到系统性关注。本研究采用以表示为中心的方法，通过可解释性驱动的特征工程来增强基于函数调用图（FCG）的恶意软件分类。我们提出了一种双层级结构特征框架，整合局部拓扑模式与全局图级属性。初始特征集包含13个维度：5个局部度分布（LDP）特征和8个全局结构特征，捕捉社区结构、执行流程和连接模式。为缓解维度灾难，我们应用可解释性驱动的选择方法，使用集成梯度（IG）、梯度加权类激活映射（GradCAM）和谢林加性解释（SHAP），得到优化后的七维子集。在MalNet-Tiny基准上的实验表明，所提出的方法与跳跃知识GraphSAGE（JK-GraphSAGE）结合时，准确率达到94.47 ± 0.25%，相比仅使用LDP的基线提高了0.32个百分点，同时将特征维度降低了46%。所选特征在四种GNN架构和多个消息传递层中表现出一致的显著性，展示了模型无关的有效性。结果表明，聚合机制对特征效用有重要影响，突显了在稳健恶意软件检测中可解释性指导设计的必要性。本研究为基于图的安全应用中的特征工程提供了一种系统化方法论。

Keyword:

android malware detection

graph neural networks

function call graph

explainable AI

interpretability-driven feature selection

Representation-Centric Approach for Android Malware Classification: Interpretability-Driven Feature Engineering on Function Call Graphs

摘要

期刊

机构

引用论文