检索结果-南通市图书馆

基于ABC-CWXGBoost的安卓恶意应用检测方法

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

基于ABC-CWXGBoost的安卓恶意应用检测方法

作者：赵天宇哈尔滨工程大学

学位级别：硕士

随着互联网的快速发展以及5G的逐渐普及,移动设备的使用变得越来越普遍。而在移动设备中,Android操作系统是其中最流行的操作系统。Android是一个开源开发环境,有恶意的人可以开发恶意应用程序,滥用平台提供的功能,或者在合法应用程序... 详细信息

随着互联网的快速发展以及5G的逐渐普及,移动设备的使用变得越来越普遍。而在移动设备中,Android操作系统是其中最流行的操作系统。Android是一个开源开发环境,有恶意的人可以开发恶意应用程序,滥用平台提供的功能,或者在合法应用程序中添加一段恶意代码。因此,如何准确、有效的检测Android恶意应用程序成为现如今研究的重点。现在的检测方法分为静态检测、动态检测和混合检测。静态检测是在安卓应用程序安装之前进行检测,主要通过收集应用程序的各种信息来进行检测。动态检测是通过执行应用程序获取动态的执行信息。混合检测则是静态检测和动态检测的组合。因为静态检测不需要环境部署和运行应用程序,花费的成本低且更加安全,所以本文选择静态检测方法。首先,针对从应用程序中直接提取出来的特征冗余的问题,本文提出了一种基于权限和API的两级特征选择方法。本文选取了安卓恶意应用检测中具有代表性的权限和API特征,因为直接从应用程序中提取出来的权限和API数量庞大且冗余,增大了检测的时间,所以需要将提取出来的特征进行选择。通过两级特征选择方法,可以有效的减少冗余特征,提高检测速度。其次,为了解决安卓恶意应用检测准确率不高以及样本不平衡的问题,本文提出了一种基于人工蜂群优化参数的类加权XGBoost安卓恶意应用检测方法。XGBoost的参数多且参数值的选取非常影响后续的检测准确率,同时,良性应用程序的数量与恶意应用程序的数量不平衡也会造成检测出来的准确率降低。因此,本文使用人工蜂群算法来对XGBoost分类算法中的参数进行寻优,来寻找一个最佳的参数组合,然后使用一种类加权的方式来修正数据集不平衡的问题,进而进一步提高安卓恶意应用程序检测的准确率。最后,通过实验证明了本文提出的基于权限和API的两级特征选择方法能够在保证准确率的同时减少检测的时间。同时,基于人工蜂群优化参数的类加权XGBoost安卓恶意应用检测方法在与其他分类算法进行对比时,展现出了更好的检测性能。

关键词：安卓恶意应用检测特征选择 XGBoost 人工蜂群算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

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

基于小样本学习的安卓恶意应用检测模型研究

基于小样本学习的安卓恶意应用检测模型研究

作者：林华智广东工业大学

学位级别：硕士

当前的安卓恶意应用检测模型往往依赖于大规模带标注的样本。收集大量带标注样本和反编译提取其特征,存在资源成本高、训练和反编译时间长、检测效率低和门槛高等问题。对于出现的新型恶意应用,需要收集足够的样本数据,重新设计和训练... 详细信息

当前的安卓恶意应用检测模型往往依赖于大规模带标注的样本。收集大量带标注样本和反编译提取其特征,存在资源成本高、训练和反编译时间长、检测效率低和门槛高等问题。对于出现的新型恶意应用,需要收集足够的样本数据,重新设计和训练模型才能进行识别和检测,导致针对恶意攻击的安全防御存在滞后性。针对恶意安卓应用程序检测中存在的特征维度大、样本量要求高和检测效率低的问题,结合卷积神经网络CNN良好的特征提取和降维能力以及catboost算法无需广泛数据训练即可产生较好分类结果的优点,构建一个CNN-catboost混合恶意安卓应用检测模型。首先通过逆向工程获取安卓应用的权限、API包、组件、intent、硬件特性和Op Code特征等静态特征并映射为特征向量,再在特征处理层使用卷积核对特征进行局部感知处理以增强信号;然后使用最大池化对处理后的特征进行下采样,降低维数并保持特征性质不变;接着将处理后的特征作为catboost分类层的输入向量,利用遗传算法的全局寻优能力对catboost模型进行调参,进一步提升分类准确率;最后对训练完成的模型,分别使用已知和未知类型的安卓应用程序数据集作实际应用测试。实验结果表明CNNcatboost模型调参用时较少,在预测精度和检测效率上也展示出较为良好的效果。针对当前恶意应用检测模型存在对于小样本和新出现的新类别恶意样本检测效果不佳问题,提出一种基于元学习的检测模型MCNN-catboost。在保留CNN-catboost模型原有结构的基础上利用reptile算法对模型进行参数优化,使本模型继承CNN-catboost模型在较少样本中可以快速生成较好检测效果的优点,以及元学习算法reptile可以积累旧类别样本的学习经验来快速学习新类别样本特征,促进分类模型依据少量样本快速识别出新类别的优势。首先将数据集组成多个批任务对模型进行训练,计算每个任务对应的损失梯度并保存其新参数,在不同的任务中迭代训练学习不同类别样本的有效信息。然后利用reptile通过计算批任务的平均损失梯度来更新模型的全局参数,再进行下一批任务训练,直到得到泛化性能强的模型。在元测试阶段,使用与训练集完全不同类别的数据类比新类别样本,测试模型在小样本下对新类别样本的识别效果。实验结果表明MCNN-catboost模型对于小样本和新类型样本能够有效进行检测。本文构建并实现了安卓恶意应用检测系统,该系统可以提取和处理待检测应用的特征,并且利用CNN-catboost模型检测其属性（良性或者恶意）,若为恶意应用,再使用MCNN-catboost模型检测其所属恶意应用类别,在实际应用中可以有效判断应用的属性以及恶意应用所属类别。

关键词：安卓恶意应用检测卷积神经网络 catboost算法小样本学习 reptile算法

基于字符串和函数调用图特征的安卓恶意应用检测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于字符串和函数调用图特征的安卓恶意应用检测方法

作者：高珍祯北京交通大学

学位级别：硕士

随着移动互联网的不断发展,智能手机已经成为了人们日常生活中不可或缺的一部分,给人们的生活带来了极大的便利。用户在享受智能终端应用带来便捷的同时,也面临着日益严重的网络安全问题(个人隐私信息和财产安全的问题)。安卓系统作为... 详细信息

随着移动互联网的不断发展,智能手机已经成为了人们日常生活中不可或缺的一部分,给人们的生活带来了极大的便利。用户在享受智能终端应用带来便捷的同时,也面临着日益严重的网络安全问题(个人隐私信息和财产安全的问题)。安卓系统作为当前主流的移动操作系统,毫无疑问成为了恶意应用开发者主要的攻击目标。研究如何有效地检测安卓恶意应用,具有十分重要的现实意义。刻画安卓应用的行为是进行安卓恶意应用检测至关重要的部分。很多现有的静态分析工作主要从安卓应用中提取字符串特征对应用的行为进行刻画,如权限,系统API的调用等特征;也有一部分工作使用安卓应用的结构性特征进行安卓恶意应用检测,如应用的控制流图,数据流图等特征。但是由于安卓恶意应用的行为变得越来越复杂,仅使用一类特征对应用进行检测,可能会造成较多的应用被错分。因此,本文针对字符串和函数调用图两类特征如何进行有效地协作,能达到比单类特征检测效果更好的问题进行研究。主要研究工作如下:(1)本文提取了 6类字符串特征和2类函数调用图特征来共同刻画安卓应用的静态行为。字符串特征包括应用申请的权限、硬件特征、Intent过滤器、受保护的API调用、代码相关特征及应用使用的权限;函数调用图特征包括基于敏感API和基于Dalvik指令编码的函数调用图特征。(2)本文提出将两类异构特征融合后进行安卓恶意应用检测。提出将基于敏感API的函数调用图特征得到的频率关系矩阵转化成向量,与字符串特征放于同一矩阵进行特征融合。提出将字符串与基于Dalvik指令编码的函数调用图特征的预测结果进行融合。两种方法充分地利用两类特征的分类优势,以提高安卓恶意应用检测的准确率。(3)本文使用支持向量机、k近邻、逻辑回归和随机森林4种机器学习算法对本文提取的特征进行分类性能的评估。实验结果显示,基于字符串特征的最优准确率达97.02%,基于函数调用图的最优准确率达91.93%。基于两类特征融合的最优检测率达97.79%,比仅使用字符串特征的检测率高出2.16%。基于两类特征预测结果融合的最优准确率达98.63%,假阳性率达0.72%,与仅使用字符串特征检测相比,假阳性率减少了 0.96%。实验结果证明,基于字符串和函数调用图特征协作的安卓恶意应用检测效果优于仅使用字符串或函数调用图特征进行检测的效果。

关键词：安卓恶意应用检测静态分析函数调用图字符串

基于对抗样本的安卓恶意应用攻击行为分析及检测机制研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于对抗样本的安卓恶意应用攻击行为分析及检测机制研究

作者：章航浙江工商大学

学位级别：硕士

基于机器学习的方案被成功运用于安卓恶意应用检测,并取得了良好的效果。然而,已有的研究表明,机器学习模型对于对抗样本缺乏鲁棒性,这使得检测系统难以识别出恶意应用对抗样本。对抗样本是指在正常样本中加入精心设计且不被人所察觉的... 详细信息

基于机器学习的方案被成功运用于安卓恶意应用检测,并取得了良好的效果。然而,已有的研究表明,机器学习模型对于对抗样本缺乏鲁棒性,这使得检测系统难以识别出恶意应用对抗样本。对抗样本是指在正常样本中加入精心设计且不被人所察觉的扰动而使分类器分类出错的样本。一方面,现有的对抗样本研究主要针对图像数据,图像数据的特征空间是连续、可微的,而恶意应用特征空间往往是离散的,使得不能直接使用图像中的方法来构造恶意应用对抗样本,且现有的攻击方法大多数只能对Android Manifest.xml进行扰动。另一方面,在基于机器学习的安卓恶意应用检测领域中,缺乏有效的检测对抗样本的方法。一旦恶意应用作者制作了对抗样本,原有的检测系统将不再起作用。在对抗样本攻击方面,研究分析安卓恶意应用对抗样本的生成方法,不但有利于拓宽对抗样本的数据类型,加深对机器学习技术的理解,而且有利于保障安卓应用的软件质量和移动互联网的稳定发展。在对抗样本检测方面,由于缺少有效的检测恶意应用对抗样本的方法,研究高效可用的防御方法,有利于模型设计者在攻防对抗中处于优势位置。因此,无论是从攻击角度,还是从防御角度分析研究恶意应用对抗样本都具有一定的理论意义和现实意义。针对对抗样本的研究主要集中于图像数据,对安卓应用数据类型的对抗样本的研究工作有限,且现有的多数方法只能针对Android Manifest.xml进行扰动的不足,本研究扩展了对抗样本的数据类型,研究分析了对抗样本在安卓恶意应用中的构造,实现了对Android Manifest.xml和classes.dex文件的扰动。针对缺乏有效的恶意应用对抗样本检测方法问题,本研究设计了有效的对抗样本检测机制。据以上分析,本研究工作主要有以下贡献:(1)在白盒攻击下,基于JSMA和FGSM算法构造了安卓恶意应用对抗样本,实现了对Android Manifest.xml和classes.dex文件的扰动,改进了已有工作中只对Android Manifest.xml进行扰动的不足。针对FGSM方法添加扰动大的问题,优化并设计了FGSM+方法。在黑盒攻击下,基于MalGAN和遗传算法GA,实现了对Android Manifest.xml和classes.dex文件的扰动,分析构造了安卓恶意应用对抗样本。(2)首次比较了用于构造安卓恶意应用对抗样本的攻击方法之间的攻击性能。即,比较分析了JSMA,FGSM,FGSM+,MalGAN,GA方法的攻击性能。分析得出,在白盒攻击下,基于JSMA构造的对抗样本修改的特征数最少,在黑盒攻击下,基于遗传算法构造的对抗样本,优于MalGAN构造的对抗样本。(3)首次将神经网络不变量原理从计算机视觉领域迁移至安卓恶意应用场景,并基于神经网络不变量原理设计了AMDDroid检测模型。同时,这也是对神经网络不变量原理在安卓恶意应用数据类型上的首次探索。不同于图像场景,我们创新性地移除派生模型以提高AMDDroid的性能。(4)实验数据表明,AMDDroid在含有对抗样本的测试数据集上的准确率均高于94%,表明了AMDDroid的高效性。同时,我们进一步探究了不同网络结构下的AMDDroid模型的性能表现,为设计具有良好鲁棒性的安卓恶意应用检测模型提供了思路。

关键词：安卓恶意应用检测机器学习对抗样本鲁棒性

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多维敏感特征的Android恶意应用检测

计算机科学 2019年第2期46卷 95-101页

作者：谢念念曾凡平周明松秦晓霞吕成成陈钊中国科学技术大学计算机科学与技术学院合肥230026 安徽省计算与通讯软件重点实验室合肥2300262

应用程序的行为语义在Android恶意应用检测中起着关键作用。为了区分应用的行为语义,文中提出适合用于Android恶意应用检测的特征和方法。首先定义广义敏感API,强调要考虑广义敏感API的触发点是否与UI事件相关,并且要结合应用实际使用... 详细信息

应用程序的行为语义在Android恶意应用检测中起着关键作用。为了区分应用的行为语义,文中提出适合用于Android恶意应用检测的特征和方法。首先定义广义敏感API,强调要考虑广义敏感API的触发点是否与UI事件相关,并且要结合应用实际使用的权限。该方法将广义敏感API及其触发点抽象为语义特征,将应用实际使用的权限作为语法特征,再利用机器学习分类方法自动检测应用是否具有恶意性。在13226个样本上进行了对比实验,实验结果表明,该方法的分析速度快且开销小,选取的特征集使Android恶意应用检测得到很好的结果;经机器学习分类技术的比较,我们选择随机森林作为检测方案中的分类技术,所提特征策略的分类准确率达到96.5%,AUC达到0.99,恶意应用的分类精度达到98.8%。

关键词：安卓恶意应用检测静态分析语法特征语义特征机器学习

基于轻量级语义特征的Android恶意应用静态检测

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

基于轻量级语义特征的Android恶意应用静态检测

作者：谢念念中国科学技术大学

学位级别：硕士

Android系统的开放性及其繁杂的第三方应用市场导致了大量恶意应用的存在,这对用户的个人隐私和财产安全构成了严重威胁,因此关于Android恶意应用检测的研究具有重要意义。Android恶意应用检测的相关研究工作主要提取应用的语法特征或... 详细信息

Android系统的开放性及其繁杂的第三方应用市场导致了大量恶意应用的存在,这对用户的个人隐私和财产安全构成了严重威胁,因此关于Android恶意应用检测的研究具有重要意义。Android恶意应用检测的相关研究工作主要提取应用的语法特征或语义特征,其中利用应用的语义特征判断恶意行为更为可靠,在Android恶意应用检测中起着关键作用。由于提取语义特征的方法通常较为复杂,因此本文定义了一种轻量级语义特征,通过对应用进行静态分析提取其语义特征和语法特征,利用机器学习技术对Android应用进行自动分类从而检测出恶意应用。本文具体工作如下:(1)提出一种计算开销小并且能够有效检测应用安全性的轻量级语义特征:“广义的敏感API”及其触发点方法,强调要关注广义敏感API的触发点是否是UI事件相关的回调方法,以此作为出发点对Android应用进行分类。(2)综合考虑应用的语法特征和语义特征进行Android恶意应用检测研究。本文提取应用实际使用的权限构成语法特征,除了应用代码中API对应的系统权限,本文还为动态代码加载相关的方法以及敏感API之外的Source和Sink方法定义其对应的“近似权限”。(3)通过在24288个样本上进行实验找到了本文方法的最优分类技术——随机森林。实验中对应用进行分析提取出特征向量的平均用时约60秒,可见本文方法计算开销小,多组实验结果证明本文的特征集在Android恶意应用检测方面的有效性。通过分析特征发现正常应用中出现频次多于恶意应用中的特征同样可以用于帮助区分应用。最终本文通过计算特征的信息增益和皮尔森相关系数选择出包含425个特征项的特征集,整体的应用分类正确率为97.9%,恶意应用的检测精度为99.3%。

关键词：安卓恶意应用检测静态分析语义特征广义的敏感API 语法特征近似权限机器学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

Android应用自动化测试研究和改进

Android应用自动化测试研究和改进

作者：耿志逵北京邮电大学

学位级别：硕士

随着装有安卓系统的设备越来越普遍,以及安卓应用市场的应用数量越来越多,种类越来越丰富,如何在一定的时间内有效且充分地对上传到应用市场的数量巨大的安卓应用进行自动化测试,是安卓应用自动化测试面临的一个挑战。同时近年来安卓应... 详细信息

随着装有安卓系统的设备越来越普遍,以及安卓应用市场的应用数量越来越多,种类越来越丰富,如何在一定的时间内有效且充分地对上传到应用市场的数量巨大的安卓应用进行自动化测试,是安卓应用自动化测试面临的一个挑战。同时近年来安卓应用市场中的恶意应用也越来越多,给人们造成了极大的损失。使用动态分析检测安卓应用成为恶意软件研究人员最近关注的焦点。动态分析有效检测恶意应用的前提是,如何有效且全面地自动触发应用的恶意行为。因此针对恶意软件检测的安卓自动化测试技术研究也是很有必要的。针对普通的安卓应用自动化测试,目标是在一定时间内达到较高的测试覆盖率。我们发现基于动态符号执行技术探索策略的acteve工具由于支持的事件输入不全以及对部分Activity的漏测,导致无法达到理想的测试覆盖率,基于这些不足我们提出了改进策略称为acteve++。最后在一个开放测试集上对现有的有代表性的安卓自动化测试工具比如 monkey,dynodroid,GUIRipper,acteve 和改进的acteve++分别做了实验和分析,实验证明,acteve++在可接受的时间内,实现了较高的平均测试覆盖率。针对恶意应用的自动化测试,我们对比较有代表性的IntelliDroid进行了分析。我们发现IntelliDroid的静态分析模块无法分析安卓应用内的组件间通信,导致对恶意行为的漏测。对此,我们提出了改进方案称为 IntelliDroid+ICC。我们分别在 Droidbench 和 Android Malware Genome测试集上做了实验,证明了 IntelliDroid+ICC在合理的时间内,可以有效分析安卓应用的组件间通信,从而更全面地触发恶意行为。

关键词：安卓应用自动化测试动态符号执行安卓恶意应用检测安卓应用组件间通信