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。

Jun, 2016

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

机器学习在 Android 恶意软件检测方面取得了显著应用，然而最近的研究揭示了基于机器学习的检测系统对规避攻击的固有弱点。本文介绍了一种新型的 Android 恶意软件检测方法，MalPurifier，它利用敌对净化以独立消除扰动，从而在轻量灵活的方式下实现攻击缓解。实验结果表明，MalPurifier 优于最先进的防御方法，在 37 种规避攻击下，实现了超过 90.91% 的准确率，并且能够轻松扩展到其他检测器中，提供了实施的灵活性和鲁棒性。

Dec, 2023

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

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

这项调查研究针对网络安全中恶意软件分类展示了当前对抗性攻击和防御策略的研究，将方法分类为生成模型、基于特征的方法、集成方法和混合策略，并评估了每个领域的优点和缺点，同时讨论了常用的数据集和评估标准，最后提出了开放性研究难题和未来的研究选项。

Dec, 2023

提出了一种基于遗传算法的测试框架，能够生成对物联网 Android 应用进行黑盒测试的适用于学习的 Android 恶意软件检测系统的有效对抗样本。

Feb, 2019

机器学习在自动恶意软件检测方面表现出色，但机器学习模型也存在容易受到对抗攻击的漏洞。本篇文章围绕生成对抗恶意软件样本的问题展开讨论，特别关注恶意的 Windows Portable Executable（PE）文件。我们总结并比较了以对抗机器学习为目标的恶意软件检测方法，并应用了基于梯度、基于进化算法和基于强化学习的方法来生成对抗样本，并将生成的样本与选定的杀毒软件进行测试。结果显示，对先前检测到的恶意软件应用优化的改动可能会将文件错误地分类为良性。已知生成的恶意软件样本可成功用于攻击其他检测模型，并且使用多种生成器组合可以创建新的样本以逃避检测。实验显示采用强化学习方法的 Gym-malware 生成器具有最大的实际潜力，其平均生成样本时间为 5.73 秒，最高平均逃避率为 44.11%。将 Gym-malware 生成器与自身相结合可提高逃避率至 58.35%。

Aug, 2023

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

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