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

该论文综述了在 Windows 环境下应用机器学习技术进行恶意软件分析的方法，并介绍了涉及的因素，包括目标、特征和算法。此外，文中还探讨了相关的数据集、问题和挑战以及未来研究方向，如恶意软件分析经济学。

Oct, 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

该研究论文概述了如何利用机器学习构建用于 Windows 操作系统的恶意软件检测系统，介绍了机器学习流水线的主要组件、收集和维护最新数据集的挑战，以及包括基于特征和深度学习的最新恶意软件检测器。同时探讨了基于机器学习的恶意软件检测器所面临的主要挑战，包括概念漂移和对抗攻击，并简要总结了针对对抗性防御的正在进行的研究。

Apr, 2024

本文介绍对真实世界的基于数据处理的深度学习应用攻击。结果表明，81.56％的应用程序可以成功攻击，这凸显了了解并采取保护数据处理方面的安全措施在设备上的深度学习模型的重要性。

May, 2023

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

大规模语言模型 (LLM) 在检测安卓应用的漏洞方面表现出色，通过构建基于人工智能的工作流，能够帮助开发者识别和修复漏洞，并展示其有效性。实验证明，LLMs 在 Ghera 基准测试中能够准确标记不安全应用的案例达到 91.67%。此外，我们的实验还揭示了不同配置对真正阳性（TP）和假阳性（FP）率的影响。

Jan, 2024

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

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

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