针对基于Android应用程序申请权限的检测过于粗粒度的问题,提出了基于敏感应用程序编程接口(application program interface,API)配对的恶意应用检测方法。通过反编译应用程序提取危险权限对应的敏感API,将敏感API两两配对分别构建恶意...针对基于Android应用程序申请权限的检测过于粗粒度的问题,提出了基于敏感应用程序编程接口(application program interface,API)配对的恶意应用检测方法。通过反编译应用程序提取危险权限对应的敏感API,将敏感API两两配对分别构建恶意应用无向图与良性应用无向图,再根据恶意应用和良性应用在敏感API调用上的差异分配相同边不同的权重,以此检测Android恶意应用。实验结果表明,提出的方法可以有效地检测出Android恶意应用程序,具有现实意义。展开更多
目前, Android应用市场大多数应用程序均采取加壳的方法保护自身被反编译,使得恶意应用的检测特征只能基于权限等来源于AndroidManifest.xml配置文件.基于权限等特征的机器学习分类算法因为恶意应用与良性应用差异性变小导致检测效果不...目前, Android应用市场大多数应用程序均采取加壳的方法保护自身被反编译,使得恶意应用的检测特征只能基于权限等来源于AndroidManifest.xml配置文件.基于权限等特征的机器学习分类算法因为恶意应用与良性应用差异性变小导致检测效果不理想.如果将更加细粒度的应用程序调用接口(Application Program Interface,API)作为特征,会因为应用程序加壳的原因造成正负样本数量的严重失衡.针对上述问题,本文将大量的恶意应用作为训练样本,将良性应用样本作为新颖点,采用单分类SVM算法建立恶意应用的检测模型.相比于二分类监督学习,该方法能有效地检测出恶意应用和良性应用,具有现实意义.展开更多
文摘针对基于Android应用程序申请权限的检测过于粗粒度的问题,提出了基于敏感应用程序编程接口(application program interface,API)配对的恶意应用检测方法。通过反编译应用程序提取危险权限对应的敏感API,将敏感API两两配对分别构建恶意应用无向图与良性应用无向图,再根据恶意应用和良性应用在敏感API调用上的差异分配相同边不同的权重,以此检测Android恶意应用。实验结果表明,提出的方法可以有效地检测出Android恶意应用程序,具有现实意义。
文摘目前, Android应用市场大多数应用程序均采取加壳的方法保护自身被反编译,使得恶意应用的检测特征只能基于权限等来源于AndroidManifest.xml配置文件.基于权限等特征的机器学习分类算法因为恶意应用与良性应用差异性变小导致检测效果不理想.如果将更加细粒度的应用程序调用接口(Application Program Interface,API)作为特征,会因为应用程序加壳的原因造成正负样本数量的严重失衡.针对上述问题,本文将大量的恶意应用作为训练样本,将良性应用样本作为新颖点,采用单分类SVM算法建立恶意应用的检测模型.相比于二分类监督学习,该方法能有效地检测出恶意应用和良性应用,具有现实意义.