针对Android恶意软件经常被混淆以逃避检测的问题,提出基于敏感函数调用图(sensitive function call graphs,SFCG)表征学习的敏感函数调用图检测(sensitive function call graphs detector,SFCG_Detector)方法,用于检测Android恶意软件...针对Android恶意软件经常被混淆以逃避检测的问题,提出基于敏感函数调用图(sensitive function call graphs,SFCG)表征学习的敏感函数调用图检测(sensitive function call graphs detector,SFCG_Detector)方法,用于检测Android恶意软件。首先,通过静态分析提取函数调用图,并设计图修剪策略,保留与敏感应用程序接口(application programming interface,API)相关的关键节点,降低图的复杂性并保留行为语义。在节点表征方面,基于变换器的双向编码器表示(bidirectional encoder representation from transformers,BERT)模型与Katz中心性,提取节点的语义特征和结构重要性。随后,利用图采样与聚合(graph sample and aggregation,GraphSAGE)神经网络对敏感函数调用图进行层次化学习,生成图级嵌入以支持分类任务。使用经典的加拿大网络安全研究所恶意软件数据集2020版(Canadian institute for cybersecurity malware dataset 2020,CICMalDroid 2020)进行实验,结果表明,SFCG_Detector在恶意软件检测上的F1分数达到98.75%,召回率达到98.89%。相比其他方法,SFCG_Detector能有效地识别出Android恶意软件,性能上有明显提升。展开更多
文摘针对Android恶意软件经常被混淆以逃避检测的问题,提出基于敏感函数调用图(sensitive function call graphs,SFCG)表征学习的敏感函数调用图检测(sensitive function call graphs detector,SFCG_Detector)方法,用于检测Android恶意软件。首先,通过静态分析提取函数调用图,并设计图修剪策略,保留与敏感应用程序接口(application programming interface,API)相关的关键节点,降低图的复杂性并保留行为语义。在节点表征方面,基于变换器的双向编码器表示(bidirectional encoder representation from transformers,BERT)模型与Katz中心性,提取节点的语义特征和结构重要性。随后,利用图采样与聚合(graph sample and aggregation,GraphSAGE)神经网络对敏感函数调用图进行层次化学习,生成图级嵌入以支持分类任务。使用经典的加拿大网络安全研究所恶意软件数据集2020版(Canadian institute for cybersecurity malware dataset 2020,CICMalDroid 2020)进行实验,结果表明,SFCG_Detector在恶意软件检测上的F1分数达到98.75%,召回率达到98.89%。相比其他方法,SFCG_Detector能有效地识别出Android恶意软件,性能上有明显提升。
