基于语义属性的安卓恶意软件检测

发布时间：2021-06-30 16:19

　　如今,安卓恶意软件已经成为我们日常数字化生活中一个严重的威胁,且恶意软件的数量不断增加,种类也越来越多,使得传统分析手段变得低效甚至失效。因此,迫切需要高效且精确的检测方式来抵御恶意软件,以保护安卓用户的安全。近几年很多研究者提出了基于机器学习的方法,但这些方法通常使用轻量级的语法属性,所得特征对于表征应用程序过于简单,这对安卓恶意软件的检测来说是远远不够的。而语义属性可以很好的表征应用程序的行为,因此本文采用程序的语义属性来对安卓恶意软件展开研究。本文内容主要分为以下两个部分:一、本文提出了基于控制流程图与数据流程图的安卓恶意软件检测方法。首先,本文通过静态程序分析提取安卓应用程序的控制流程图与数据流程图,同时考虑过程内分析与过程间分析两种方式。然后,将所得流程图编码为矩阵,在矩阵化过程中,本文还考虑了图的水平组合和垂直组合两种方式。最后,基于卷积神经网络构建安卓恶意软件检测模型。为了验证方法的有效性,本文在由Marvin、Drebin、VirusShare和ContagioDump组成的近10万数据上构建了一系列实验,实验结果显示本文的检测方法有很好的检测效果,其中水平组合方式的检... 

【文章来源】：深圳大学广东省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

安卓恶意软件检测框架

程序预处理

控制流程图Tcfg示例

【参考文献】：
期刊论文
[1]多维敏感特征的Android恶意应用检测[J]. 谢念念,曾凡平,周明松,秦晓霞,吕成成,陈钊.  计算机科学. 2019(02)
[2]一种基于支持向量机的安卓恶意软件新型检测方法[J]. 张超钦,胡光武,王振龙,刘新宇.  计算机应用与软件. 2018(10)
[3]基于半监督学习的安卓恶意软件检测及其恶意行为分析[J]. 杜炜,李剑.  信息安全研究. 2018(03)
[4]一种Android恶意软件多标签检测方法[J]. 王军,庄毅,潘家晔.  小型微型计算机系统. 2017(10)
[5]Static and Dynamic Integrated Analysis Scheme for Android Malware[J]. Chun-Hao Yung,Wen-Shenq Juang.  Journal of Electronic Science and Technology. 2017(03)
[6]基于动静结合的Android恶意代码行为相似性检测[J]. 陈鹏,赵荣彩,单征,韩金,孟曦.  计算机应用研究. 2018(05)
[7]基于权限统计的Android恶意应用检测算法[J]. 程运安,汪奕祥.  计算机应用与软件. 2017(01)
[8]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue.  Tsinghua Science and Technology. 2016(01)
[9]基于行为的Android恶意软件家族分类系统[J]. 彭国军,罗元,沈诗琦,赵豪东,李晶雯.  保密科学技术. 2014(08)



本文编号：3258080