MMSep, 2021

DexRay: 基于字节码图像表示的 Android 恶意软件检测的简单而有效的深度学习方法

PDF
TL;DR本文提出了一种基于图像的 Android 恶意软件检测方法 —— DexRay，该方法将 DEX 文件的字节码转换为灰度向量图，并将其馈送到一维卷积神经网络模型中，对比 158k 个 app，实现了高检测率（F1-score=0.96），并探讨了时间衰减和图像缩放的影响以及对抗混淆攻击的鲁棒性。
computer visiondeep learningmalware detectionimage-basedandroid
发现论文，激发创造
  • R2-D2: 基于卷积神经网络（CNN）的受颜色启发的 AndroiD 恶意软件检测

    我们研究并开发了一种基于卷积神经网络的 Android 恶意软件检测系统，名为 R2-D2，系统可以将 Android 归档文件中的 classes.dex 的字节码转换成 rgb 颜色代码，并将其作为具有固定大小的彩色图像存储，从而自动提取特征并进行训练，我们的实验结果表明该系统对合约拥有准确的安全性分析。

    May, 2017

  • 一种预训练的 BERT 模型适用于 Android 应用

    我们提出了 DexBERT，这是一个类似于 BERT 的语言模型，专门用于表示 Android 应用程序中使用的主要二进制格式 DEX 字节码，以提高在两个不同的基于类级别的软件工程任务中的实用性：恶意代码本地化和缺陷预测。

    Dec, 2022

  • 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

  • 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

  • 基于频域图像可视化和深度学习的恶意软件检测

    该研究提出了一种基于图像分类的新方法来检测和可视化恶意软件，其使用 N-gram (DCT) 离散余弦变换和神经网络对可执行二进制文件进行表征和分类，利用自动生成的图像转换为视觉数据集用于训练和测试，最终获得了 96% 的分类精度。

    Jan, 2021

  • 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

  • 在线学习的自适应和可扩展的安卓恶意软件检测

    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

  • 基于深度神经网络的二维二进制程序特征恶意软件检测

    本文介绍了一种基于深度神经网络的恶意软件分类器，可以在商品硬件上处理实际金融企业数据达到 95% 的检测率和 0.1% 的误报率。

    Aug, 2015

  • 深度多任务学习用于恶意软件图像分类

    一种新的多任务学习框架用于恶意软件图像分类，以实现准确快速的恶意软件检测，并通过与其他激活函数的实验结果表明，其在各个任务上的准确度高于 99.87％，能够有效检测隐藏技术并在准确性方面达到最新方法的水平。

    May, 2024

  • 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