在线学习的自适应和可扩展的安卓恶意软件检测

Jun, 2016

在线学习的自适应和可扩展的安卓恶意软件检测

Adaptive and Scalable Android Malware Detection through Online Learning

Annamalai Narayanan, Liu Yang, Lihui Chen, Liu Jinliang

TL;DR本研究旨在解决恶意软件的不断进化使得传统基于机器学习的检测方法失效的问题，提出了一种新的在线学习框架 DroidOL，采用了过程间控制流子图特征和在线主动 - 被动分类器，在比较试验中，DroidOL 的准确率高达 84.29%，有效地检测了不断进化的恶意软件。

Abstract

It is well-known that malware constantly evolves so as to evade detection and this causes the entire malware population to be non-stationary. Contrary to this fact, prior works on machine learning based android <

malware detection online learning machine learning android passive-aggressive classifier

发现论文，激发创造

ActDroid：一种用于 Android 恶意软件检测的主动学习框架

Android 恶意软件检测：使用在线学习处理流式数据问题，提高分类精确性和标记效率，并探索不同静态、动态和混合特征集在恶意软件分类中的权衡。

Jan, 2024

DL-Droid: 基于深度学习的真机 Android 恶意软件检测

本研究提出 DL-Droid，一种通过状态输入生成实现动态分析的深度学习系统，可成功检测安卓手机应用中的恶意程序。

Nov, 2019

Android 恶意软件检测的连续学习

我们提出了一种使用主动学习和对比学习相结合的新层次对比学习方案和样本选择技术用于持续训练 Android 恶意代码分类器来解决其概念漂移问题。与以前的主动学习方法相比，我们的方法显着提高了性能表现，降低了误识别率，并在七年的时间段内保持了更加一致的表现。

Feb, 2023

Android 恶意软件检测与无偏置置信保证

通过结合智能手机设备的显著增长以及在敏感应用程序（如互联网银行）中使用移动平台的快速普及，使移动恶意软件迅速增加。本文提出了一种机器学习动态分析方法，为每个恶意软件检测提供可证明有效的置信保证，并且该保证对恶意和良性类别都适用并不受数据偏差的影响。所提出的方法基于一种名为一致性预测的新型机器学习框架，结合了随机森林分类器，在一个真实的 Android 设备上安装了 1866 个恶意应用程序和 4816 个良性应用程序的大规模数据集进行了性能测试。实验结果证明了所提出方法产生的输出的经验有效性、有用性和无偏性。

Dec, 2023

批处理 Android 恶意软件检测模型的高效概念漂移处理

通过重新训练技术和概念漂移检测的机制，可以有效地在不断变化的环境中维持静态安卓恶意软件检测器的性能。

Sep, 2023

揭示安卓恶意软件检测中的机器学习解决方案关键

机器学习方法对于安卓恶意软件检测起到了关键作用，而本文则通过实证分析全面调查了基于机器学习的安卓恶意软件检测的研究进展，并总结出一些建议以引导未来的研究。

Feb, 2024

恶意软件检测系统中的自动化毒化攻击和防御：一种对抗机器学习方法

本研究探讨了移动恶意软件的演变对智能手机安全的严重威胁，并提出了一种基于对抗性学习的 KuafuDet 方法来解决机器学习检测在受到恶意样本影响时检测准确率低的问题，该方法不仅可显著减少假阴性率，还可提高至少 15% 的检测准确度。

Jun, 2017

一种在移动设备上使用深度学习的性能敏感型恶意软件检测系统

本论文提出了一种基于深度神经网络的定制化的移动端实时 Android 恶意软件检测系统，MobiTive, 包括不同特征提取方法和不同特征类型选择、不同深度神经网络的检测精度、不同移动设备上的实时检测性能和精度以及基于移动设备规格的演化趋势的检测潜力分析

May, 2020

是的，机器学习可以更安全！一个关于 Android 恶意软件检测的案例研究

本文介绍了一种基于机器学习的恶意软件检测系统中所存在的漏洞，定义和实现了一组映射攻击进行检测，提出了一种简单易行的安全学习模式来防止逃避攻击并适用于其他恶意软件检测任务。

Apr, 2017

构建 Android 恶意软件检测的机器学习流水线：实践、挑战和机会的程序化调查

本文通过 42 篇高引用的文献回顾了过去十年间对针对安卓设备恶意应用检测的机器学习方法的研究，介绍了一个新的程序分类法以及对其评估和解释策略所做的工作，并指出现有知识中的缺陷和未来的研究方向。

Jun, 2023