利用最大可满足性自动合成语义恶意软件签名

Aug, 2016

利用最大可满足性自动合成语义恶意软件签名

Automated Synthesis of Semantic Malware Signatures using Maximum Satisfiability

Yu Feng, Osbert Bastani, Ruben Martins, Isil Dillig, Saswat Anand

TL;DR本文提出了一种针对 Android 恶意软件从极少量样本中自动学习语义恶意软件特征的技术，使用 ASTROID 工具实现了特征合成、检测和评估，并展示了该方法相对于现有技术的优势，包括更好的准确性和精度，以及对行为混淆的抵抗性和零日恶意软件的检测能力。

Abstract

This paper proposes a technique for automatically learning semantic malware signatures for Android from very few samples of a malware family. The key idea underlying our technique is to look for a maximally suspicious common subgraph (MSCS) that is shared between all known instances of

android malware semantic signature malware family astroid zero-day malware detection

发现论文，激发创造

从结构交互中发现软件中的恶意签名

提出了一种新颖的计算机病毒检测方法，利用深度学习、数学技术和网络科学，通过对复杂网络中应用程序进行静态和动态分析，利用生成的网络拓扑图输入到 GraphSAGE 架构中，以节点特征表示操作名称，通过分析网络的拓扑几何结构进行预测，达到检测最新型计算机病毒并在虚拟机执行期间防止潜在损害的目的。实验证明，该方法在计算机病毒检测方面取得了显著的改进。

Dec, 2023

使用静态分析与创建者信息检测和分类安卓恶意软件

该研究提出了一种用于 Android 恶意软件检测和分类的方法，通过将创作者信息作为特征，将恶意应用程序分组，并通过行为和权限分析提高了检测准确性，检测和分类性能分别达到了 98％和 90％的准确率。

Mar, 2019

MaMaDroid：利用行为模型所建立的马尔可夫链检测安卓恶意软件（扩展版）

本文提出一种名为 MaMaDroid 的基于静态分析的系统，该系统通过抽象的 API 调用序列建立行为模型来检测恶意软件。研究表明，MaMaDroid 能够有效地检测恶意软件，并且具有更稳定的检测能力。同时与现有的基于 API 调用频率的检测系统相比，MaMaDroid 具有更高的检测准确率。

Nov, 2017

DroidAnalytics: 基于特征的分析系统，用于收集、提取、分析和关联 Android 恶意软件

本文介绍了 DroidAnalytics，一个基于签名的分析系统，用于自动收集、管理、分析和提取 Android 恶意软件，通过对 150,368 个 Android 应用程序的分析，发现了来自 102 个不同家族的 2,494 个 Android 恶意软件，其中有 342 个是来自六个不同家族的零日恶意软件样本。

Feb, 2013

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

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

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 恶意软件分析解释器的合理性检查

本研究提出了基于三个关键定量指标的规范化指南来评估五种解释方法的质量，得出了大部分恶意行为的知识，并对获得的解释结果进行了桥段检查，得出了结果。

Aug, 2020

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

Monet: Android 用户行为感知恶意软件变体检测系统

本文提出了一种针对 Android 恶意软件的检测框架 MONET，该框架结合了恶意软件的运行行为和静态结构来检测恶意软件变种，并通过两种新颖的拦截技术实现了轻量级行为监测和签名生成，能够在 7% 的性能开销和 3% 的电池开销下，达到 99% 的检测精度和防御各种混淆和变换技术的效果，并自动提醒用户以防止进一步的恶意行为。

Dec, 2016