检索结果-南通市图书馆

基于静态污点分析的Android应用Intent注入漏洞检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学 2016年第9期43卷 192-196页

作者：王允超魏强武泽慧解放军信息工程大学郑州450001 数学工程与先进计算国家重点实验室郑州450001

针对Android应用程序组件间通信过程中的消息载体Intent有可能被攻击者构造进而引发组件被恶意注入的安全风险问题,提出了一种基于静态污点分析的检测方法。在构建Android应用的函数调用图和控制流图的基础上,通过跟踪应用组件内和组件... 详细信息

针对Android应用程序组件间通信过程中的消息载体Intent有可能被攻击者构造进而引发组件被恶意注入的安全风险问题,提出了一种基于静态污点分析的检测方法。在构建Android应用的函数调用图和控制流图的基础上,通过跟踪应用组件内和组件间不可信Intent消息的污点传播过程,检测应用中潜在的Intent注入漏洞。用该方法对4类标准测试应用和50款第三方应用进行测试,实验结果表明了该方法的可行性和有效性。

关键词： Android 静态污点分析函数调用图控制流图 Intent注入漏洞

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

恶意软件变种间相似度的分析技术研究

恶意软件变种间相似度的分析技术研究

作者：吴凌飞杭州电子科技大学

学位级别：硕士

各种恶意软件变种生成技术的出现使得恶意软件的数量以指数的形式增长,所以对恶意软件变种的识别与分类显得尤为重要。由于变种技术能在保持程序的原有功能不变的情况下改变程序自身的代码,这使得原程序与变种在语法结构上的相似程度差... 详细信息

各种恶意软件变种生成技术的出现使得恶意软件的数量以指数的形式增长,所以对恶意软件变种的识别与分类显得尤为重要。由于变种技术能在保持程序的原有功能不变的情况下改变程序自身的代码,这使得原程序与变种在语法结构上的相似程度差别甚大。传统的对变种恶意软件之间的相似度计算方法往往只是基于句法特征,而忽略了程序变种的功能不变性,从而导致恶意软件变种不能被正确识别与分类。所以研究能反映程序功能的特征模型和基于语义层面的特征比较算法对恶意软件变种的识别与分类至关重要。在基于静态分析的基础上,本文对恶意软件变种间相似度的分析技术展开研究。首先,构建了能反映程序功能的恶意软件变种程序特征码。针对恶意软件变种改变程序代码而能保持其功能的特点,基于函数和函数调用图构建恶意软件变种程序的特征码。提出的特征码与传统的基于指令序列的特征码相比更能精确地反映程序的功能。其次,提出了两个基于语义层面的特征比较方法。在深入剖析变种生成技术尤其是代码混淆技术的作用机理基础之上,提出两种特征码分析方法：(1)基于函数内部操作码序列的特征码比较方法;(2)基于函数调用关系的特征码比较方法。第一种方法结合了汇编指令的功能分类和余弦相似度的统计算法来比较特征码;而第二种方法在了第一种方法的基础上利用了函数间的调用关系来比较特征码。这两种方法都是以能体现程序功能的角度出发,都能比较有效地绕过指令的混淆技术对恶意软件变种造成的影响,但是第二种方法比第一种对恶意软件变种具有更强的区分能力。最后,提出了一个恶意软件变种相似度的度量方法。为了计算变种间的相似度,本文将其转化为计算两特征码的相似度问题。对于基于函数内部操作码序列特征码和基于函数调用关系的特征码,本文分别利用“基于最大共同函数个数”和“基于最大共同边数目”两种度量方法来计算相似度。实验结果表明此二种度量方法在一定程度上能反映程序功能上的相似性。

关键词：恶意软件变种相似度操作码函数调用图

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图表示学习的安卓恶意应用检测技术研究

基于图表示学习的安卓恶意应用检测技术研究

作者：陆潼国防科技大学

学位级别：硕士

移动互联网的快速发展促进了智能手机用户的高速增长,智能手机应用涌现而出,为用户提供了丰富的功能,为个人生活提供了便利。与此同时,大量恶意智能手机应用出现,严重威胁着手机用户的安全。其中,安卓操作系统由于其开源性和流行性成为... 详细信息

移动互联网的快速发展促进了智能手机用户的高速增长,智能手机应用涌现而出,为用户提供了丰富的功能,为个人生活提供了便利。与此同时,大量恶意智能手机应用出现,严重威胁着手机用户的安全。其中,安卓操作系统由于其开源性和流行性成为了恶意应用开发者的主要目标,研究安卓应用检测技术对于提高用户的安全性具有重要价值。随着安卓恶意应用检测技术的不断发展,越来越多的恶意应用采用混淆技术来逃避检测,这致使现有的检测技术效果正不断下降,这要求我们利用新的特征,提出新的方法以应对这些变化。函数调用图作为安卓应用的细粒度特征,蕴含了应用权限、API调用和结构语义等丰富信息,利用函数调用图对安卓应用程序进行检测具有很大的潜力。本文以函数调用图为主要特征实现了安卓恶意应用的检测,主要工作内容如下:（1）动静态分析结合的函数调用图生成技术。为应对代码加固技术对现有基于静态分析的函数调用图提取技术的阻碍,本文提出动静态分析结合的函数调用图生成方式,综合利用静态分析和动态分析获取安卓应用的静态调用信息与动态调用信息,生成更为完整的函数调用图。（2）基于深度学习的安卓应用函数调用图表示技术。由于安卓应用内部的函数名称易被混淆且数量庞大,对函数调用图的直接比较是困难的,面对挑战,本文提出了属性函数调用图的生成技术以及基于属性函数调用图的图表示技术。属性函数调用图重新组织了函数调用图的信息,在缩减图规模的同时保留了原始图数据的拓扑结构特征。基于属性函数调用图的图表示技术利用深度学习技术通过神经网络实现了图数据到低维特征向量的转化。（3）基于图表示学习的安卓应用检测技术及原型系统实现。本文提出了以函数调用图为主要特征的基于图表示学习的安卓恶意应用检测技术并实现了原型系统。通过实验调优模型的超参数,对检测时间以及检测效果进行了评估。实验结果显示,基于图表示学习的安卓恶意应用检测技术在以Virusshare样本为基础的数据集中恶意良性应用分类任务中达到96.3%的准确率,在Drebin数据集中恶意应用家族分类任务中达到了95.1%的总体准确率,验证了技术的有效性。

关键词：安卓恶意应用检测函数调用图图表示学习深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于不变量的并发错误检测技术

基于不变量的并发错误检测技术

作者：王榕浙江理工大学

学位级别：硕士

随着并发软件系统的广泛应用,由多线程的复杂交互所引发的并发错误无处不在,因此如何有效检测并发错误至关重要。对于多线程程序而言,并发错误的出现依赖于以小概率出现的线程之间特定的交互顺序,而并发错误通常会在错综复杂的多线程交... 详细信息

随着并发软件系统的广泛应用,由多线程的复杂交互所引发的并发错误无处不在,因此如何有效检测并发错误至关重要。对于多线程程序而言,并发错误的出现依赖于以小概率出现的线程之间特定的交互顺序,而并发错误通常会在错综复杂的多线程交互中蔓延与扩散,因此有效检测出并发错误的根源难度很大,需要消耗大量的人力与时间。目前,现有的并发错误检测技术大多针对数据竞争问题进行交错模式分析,它们的核心思想是抽取线程之间可疑的数据访问模式,即从不同线程对共享数据的读写顺序中抽取模式。然而这类技术有以下局限性:1)交错模式的数量可能非常庞大,2)交错模式一般只针对单变量的读写模式,3)所需要的能判断程序单个输出结果是否正确的机制oracle在程序的操作层面上不可得。本文提出基于程序不变量的并发错误检测技术。首先对并发程序中的组件进行单元测试得到参照不变量,然后与组件在集成测试中得到的线上不变量进行对比后,得到失效不变量。接着在测试程序的函数调用图上应用本文提出的不变量降噪过程与基于深度搜索的错误定位策略,得到可疑代码块(函数本身或者函数与函数之间的代码块)。最后计算可疑代码块的怀疑度并排序,分析组件交互时产生的并发错误。为了验证该技术的有效性,本文在6个开源程序上进行实验。实验结果表明本文提出的方法能有效检测多种类型的并发错误,如违反原子性与死锁等。本文提出的方法主要的贡献点:1)不需要oracle信息;2)可以在程序的操作层面上利用程序不变量检测多种类型的并发错误,如违反原子性错误和死锁等;3)将并发错误根源定位到线程中的可疑代码区域。

关键词：并发程序错误检测程序不变量函数调用图怀疑度

基于图卷积神经网络的抗混淆安卓恶意软件检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图卷积神经网络的抗混淆安卓恶意软件检测

作者：齐蒙华中科技大学

学位级别：硕士

安卓操作系统作为移动设备上最广泛使用的开放源代码操作系统,具有着丰富的应用市场与客户人群,但其普及率与快速的增长也为恶意软件的发展提供了温床。在当前已被研究者提出的恶意软件检测技术中,忽视程序语义而直接提取简单程序特征... 详细信息

安卓操作系统作为移动设备上最广泛使用的开放源代码操作系统,具有着丰富的应用市场与客户人群,但其普及率与快速的增长也为恶意软件的发展提供了温床。在当前已被研究者提出的恶意软件检测技术中,忽视程序语义而直接提取简单程序特征的方法检测速度快但精确度不理想,将程序语义转换为图模型并采用图分析的方法精确度高但开销大且扩展性低。因此,设计出一种精度高、检测速度快且最好能抗混淆的安卓恶意软件检测方法是一个非常重要的研究课题。针对以上问题,Sri Droid采用了图卷积神经网络,实现了对安卓恶意软件的抗混淆检测。首先,通过静态分析提取出安卓应用程序的函数调用图从而保留应用的程序语义,然后采用抽象API技术将函数转化成对应的类、包或者家族,以此构建成更为简单的抽象图从而减少运行开销并增强鲁棒性。基于得到的抽象图,构建基于图卷积神经网络的分类器,通过聚合邻居特征提升检测的准确性,并通过引入Triplet Loss对比损失使得Sri Droid在抵抗代码混淆方面具有更强的鲁棒性。经过对20246个安卓应用的实验分析,实验结果表明Sri Droid可以达到99.17%的恶意软件检测精确度,并在对抗代码混淆的实验测试中达到97.4%的召回率。相较于现有的安卓恶意软件检测方法,Sri Droid具有最高的检测精度、最快的检测速度和最好的抗混淆能力。

关键词：安卓恶意软件图卷积神经网络抗混淆函数调用图抽象API

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于频谱的软件多故障定位

基于频谱的软件多故障定位

作者：宗芳芳浙江理工大学

学位级别：硕士

软件故障定位是软件调试过程中耗时且耗力的活动之一。传统的基于程序频谱的软件故障定位技术可以分为基于组件和基于语句两类。前者太粗不能准确的定位到具体的位置;后者太细使得运算复杂度过大。良好的软件故障定位技术能够节约开支,... 详细信息

软件故障定位是软件调试过程中耗时且耗力的活动之一。传统的基于程序频谱的软件故障定位技术可以分为基于组件和基于语句两类。前者太粗不能准确的定位到具体的位置;后者太细使得运算复杂度过大。良好的软件故障定位技术能够节约开支,节省人力资源,加快软件开发的进度。因此解决这类问题对于提高定位效果有着重要的意义。本文提出了一种基于二次定位策略(DTL)的软件故障定位技术。该技术的主要思想分为两次定位:第一次定位,首先使用现有的工具生成程序的函数调用图,其次从函数的覆盖信息中建立程序频谱,即与程序的故障建立了联系,然后利用基于模型的诊断MBD的逻辑推理和构建行为命题模式来推导出函数候选集以及计算它们的概率,并根据概率进行怀疑度的排序;第二次定位,利用基于DStar的软件故障定位技术将函数候选集的语句进行故障定位。我们使用Siemens测试数据集进行实验,并与传统的基于程序频谱的故障定位技术作了比较,实验结果证明我们的技术比传统的基于程序频谱的故障定位技术更有效。在以上工作之外,本文也详细介绍了实验平台搭建的相关知识,以便帮助读者更好的理解。本文的贡献点如下:·提出了一种将函数调用图运用到软件故障定位中的新思路—函数调用图能够反映出函数之间的真实行为,从而为故障定位提供更有力的定位依据;·提出了基于二次定位策略的软件故障定位技术,通过与传统的基于程序频谱的故障定位技术的比较,验证了其可行性和有效性;·搭建了基于二次定位策略的故障定位技术的实验平台,方便与传统的基于程序频谱的故障定位技术作比较与分析。

关键词：故障定位函数调用图程序频谱模型诊断

Android恶意软件智能检测方法研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

Android恶意软件智能检测方法研究与实现

作者：葛修婷西南科技大学

学位级别：硕士

移动互联网的快速发展促使移动智能设备得到了迅速地普及,Android操作系统因其良好的可移植性性和便携性成为了目前市场份额占比最大的移动智能设备,Android应用程序作为信息交流的重要载体已经逐渐深入到人们的日常生活中。由于Androi... 详细信息

移动互联网的快速发展促使移动智能设备得到了迅速地普及,Android操作系统因其良好的可移植性性和便携性成为了目前市场份额占比最大的移动智能设备,Android应用程序作为信息交流的重要载体已经逐渐深入到人们的日常生活中。由于Android的开源性和受欢迎程度,使其逐渐成为了黑客和恶意软件攻击者的攻击目标,进而给人们造成隐私泄露、财产安全等严重的威胁。因此,针对Android恶意软件进行有效地检测具有重要的研究意义。通过对现有的Android恶意软件检测方法调研发现,很多Android恶意软件检测方法在检测恶意软件的过程中大都忽略了应用程序中的结构语义信息。虽然部分Android恶意软件检测方法通过提取应用程序的图结构信息以达到捕获其结构语义信息的目的,但是,这些方法较为复杂,不利于快速地检测Android恶意软件。因此,本文在现有的Android恶意软件检测方法的研究基础上,提出一种函数调用图与图核相结合的Android恶意软件检测方法。此方法通过提取应用程序的函数调用图捕获了Android应用程序的结构语义信息,同时利用图核技术降低现有方法的复杂度,实验表明本文的方法能够有效地检测Android恶意软件。本文的主要研究内容与成果如下:（1）本文在现有Android恶意软件检测方法的研究基础上,提出了一种函数调用图与图核相结合的Android恶意软件检测方法,进而改善现有Android恶意软件检测方法。（2）本文在提取Android应用程序的函数调用图的基础上,通过图核技术自动编码函数调用图,进而捕获Android应用程序的结构语义信息;（3）本文在文档嵌入模型的基础上提出了一种图嵌入模型,随后利用此模型对捕获到的函数调用图进行特征降维,以便于快速且有效地构建Android恶意软件检测模型。（4）为了验证本文中Android恶意软件检测方法的有效性,本文在Genome数据集和Drebin数据集上进行了详细的实验。实验结果表明:本文中的方法在Genome数据集上精确度能达到97.49%,在Drebin数据集上精确度能达到94.33%。

关键词： Android恶意软件检测函数调用图图核机器学习

基于深度学习的Android恶意软件识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的Android恶意软件识别方法研究

作者：李江超电子科技大学

学位级别：硕士

近年来,移动互联网的发展使得智能手机成为我们生活中不可缺少的一部分,极大的方便了人们的生活。然而,人们在使用手机的过程却不得不面临着隐私和财产安全问题。由于Android的流行性和自身的开放性,迅速成为了不法分子的攻击目标。因此... 详细信息

近年来,移动互联网的发展使得智能手机成为我们生活中不可缺少的一部分,极大的方便了人们的生活。然而,人们在使用手机的过程却不得不面临着隐私和财产安全问题。由于Android的流行性和自身的开放性,迅速成为了不法分子的攻击目标。因此,如何有效的检测Android恶意软件,具有很重要的学术意义和现实意义。现有的对Android恶意软件的静态分析往往局限于某一特征,比如字符串特征如权限、API（Application Programming Interface）调用,或者结构性特征如函数调用图、数据流图等。但随着恶意软件攻击行为的不断变化,仅使用一种特征进行分析,往往会出现检测错误的情况。因此,本文从多特征的角度刻画Android应用软件,从而提高检测的准确率。本文的主要研究内容和创新点包括:（1）提出基于操作码序列的Android恶意软件检测模型。该模型创新性的结合了函数调用图和操作码文本序列,通过函数调用的顺序对操作码文本序列重新组织,并使用长短期记忆神经网络（LSTM）构建模型。在此基础上,结合敏感函数、函数调用序列等设计了5种特征进行对比实验。实验结果表明基于函数调用顺序的操作码序列相对于无序的操作码序列以及单纯的函数调用序列有明显的优势。（2）提出基于操作码图像的Android恶意软件检测模型。该模型通过将操作码序列转化成灰度图,以一张图像的形式表征一个Android应用,同时为了提高训练和检测的效率,选择使用轻量级的卷积神经网络（CNN）实现灰度图的分类。传统的直接使用字节码序列转换成代码图像的方法往往面临生成图像的大小不一致的问题,而本文设计的图像生成方法可以避免这个情况。文中共给出了两种将操作码序列转换成灰度图的方法,一种是基于操作码对的频率,另一种基于操作码对的TF-IDF值。实验结果表明了使用操作码图像进行恶意软件检测的有效性。（3）提出基于深度学习的Android恶意软件检测融合模型。为了在多个层面对Android应用进行描述,本文提出了基于操作码序列和基于操作码图像的融合模型。将按照函数调用顺序组织的操作码序列经过LSTM处理后得到的特征,和操作码图像经过CNN后得到的特征进行特征拼接,并使用分类器对该拼接特征分类,最终得出检测的结果。实验结果表明了本文设计的融合模型的检测效果优于单模型。

关键词： Android恶意软件深度学习操作码图像操作码文本函数调用图

基于API调用分析的Android恶意应用程序识别及家族分类技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于API调用分析的Android恶意应用程序识别及家族分类技术研究

作者：张仕奇东南大学

学位级别：硕士

如何有效分析Android恶意应用程序是目前研究热点。传统的Android恶意应用分析存在如下问题:（1）基于权限请求的恶意行为判别方法容易将合法应用程序系统权限滥用行为误判为恶意行为;（2）基于特定官方API（指谷歌官方定义的一组实现... 详细信息

如何有效分析Android恶意应用程序是目前研究热点。传统的Android恶意应用分析存在如下问题:（1）基于权限请求的恶意行为判别方法容易将合法应用程序系统权限滥用行为误判为恶意行为;（2）基于特定官方API（指谷歌官方定义的一组实现特定功能的可调用函数）调用查找的方法虽然可以实现较为精准的恶意行为判别,但该方法会因为Android版本更新升级导致官方API调用方式改变而失效;（3）针对恶意应用程序进行家族分类可以有效提高分析效率并帮助追踪恶意程序的演变过程,但是现有的恶意家族分类研究无法解决小样本恶意家族准确分类的问题。针对上述问题,本文提出了一种Android恶意应用程序判别及家族分类方法,该方法通过对应用程序调用官方API调用的行为模式进行特征识别实现恶意应用判别及家族分类。在应用程序静态分析中,通过提取应用程序的用户自定义函数和官方API的调用关系图构建应用程序的行为模式,采用改进的图注意力网络分类方法实现恶意应用判别;在应用程序动态分析中,通过动态监测应用程序的执行流程,提取官方API调用的时间序列,采用改进的最大区分子序列（shapelet）算法实现恶意应用判别;在恶意家族分类上,提出了一种结合聚类与分类算法的恶意家族综合判别方法,以解决小样本恶意家族的有效分类问题。本文的主要工作和创新点如下:1.在应用程序静态分析中,针对现有恶意应用程序对有滥用系统权限行为的合法程序误判率较高,以及随着Android系统升级导致判别方法失效的问题,提出了一种基于用户自定义函数和官方API的调用关系图的恶意程序静态分析方法。该方法首先提取用户自定义函数和官方API的调用关系图;接着从调用关系图中对使用危险权限的官方API进行标记,提取图的行为模式特征;进一步根据官方API使用危险权限的敏感程度对函数调用图重要节点进行权重调整;在此基础上采用图注意力网络分类方法实现恶意应用判别。经实验表明,该方法有较好的分类效果,其在Drebin等数据集上的准确率和F1值分别达到了0.9342和0.9336,与传统图注意力分类方法相比有较好的分类性能。2.在应用程序动态分析中,针对现有时间序列分类算法应用于API调用序列分析时间复杂度较高的问题,提出了一种基于局部最优的随机最大区分子序列分析的Android恶意应用判别方法。该方法首先对含有特定名称的控件进行定向触发控制应用运行方式以获取稳定的API调用时间序列;接着提出一种基于局部特征的随机shapelet获取算法用于提取时间序列关键特征,进行恶意应用程序判别,该算法可有效降低shapelet计算复杂度。经实验表明,其在Drebin等数据集上的准确率和F1值分别达到0.8873和0.8613。如将静态分析与动态分析相结合,则准确率和F1值可提升至0.9721和0.9574。3.在恶意家族分类上,针对在恶意家族分类中样本缺乏导致难以发现小样本恶意家族的问题,提出了一种基于聚类与分类相结合的恶意家族综合判别方法。该方法首先采用基于自编码器的无监督聚类方法,根据API调用序列特征找出存在恶意行为的序列所属的潜在家族;接着提出了一种基于图机器学习的恶意家族分类方法,通过从函数调用图中获取恶意模块作为特征进行分类;最后提出了一种结合聚类结果与分类结果的恶意家族综合判别方法,以提高小样本恶意家族识别的准确率。经实验表明,其准确率和宏F1值分别为0.9745和0.9710,与其他分类器相比提升较大。同时在小样本恶意家族的分类上表现更为优秀,在样本数量小于40个的家族中平均准确率达到0.925。

关键词： Android 函数调用图时间序列恶意应用检测恶意家族