零知识条件下对基于机器学习的安卓恶意软件检测的高效查询攻击

MMSep, 2023

零知识条件下对基于机器学习的安卓恶意软件检测的高效查询攻击

Efficient Query-Based Attack against ML-Based Android Malware Detection under Zero Knowledge Setting

Ping He, Yifan Xia, Xuhong Zhang, Shouling Ji

TL;DRAdvDroidZero 是一种高效的查询式攻击框架，针对基于机器学习的 Android 恶意程序检测方法，操作于零知识设置下，并且在广泛的评估中表现出对各种主流基于机器学习的 Android 恶意程序检测方法的有效性，尤其是业界最先进的方法和真实世界中的防病毒解决方案。

Abstract

The widespread adoption of the android operating system has made malicious Android applications an appealing target for attackers. Machine learning-based (ML-based) Android malware detection (AMD) methods are crucial in addressing this problem; however, their vulnerability to

android operating system malicious android applications machine learning-based android malware detection adversarial examples query-based attack framework

发现论文，激发创造

针对物联网系统的安卓恶意软件检测系统中的对抗性样本

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

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

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

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

基于对抗字级语言模型的二进制黑盒逃避攻击：针对基于深度学习的静态恶意软件检测器

本文提出了一种基于深度学习的 MalRNN 方法来生成恶意软件的变种，无需访问目标防病毒模型的规格、置信度分数或动态恶意软件分析等限制，同时对三个深度学习恶意软件检测器进行了有效的躲避，具有较强的实用价值。

Dec, 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

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

静态恶意软件检测与隐蔽：量化机器学习和当前反病毒软件的稳健性

通过创建新的测试方法，我们评估了针对一组已知的 Benign & Malicious 文件执行敌对修改并评估性能变化的变化以及逃避技术，从而依靠实验证明了仅基于 ML 的系统可以比 AV 产品更有效地检测到试图通过修改来逃避的恶意软件，但在面临显着的新型攻击时可能反应较慢。

Jun, 2018

嵌入式计算系统的有效恶意软件检测

嵌入式计算系统的关键安全威胁之一是恶意软件，近期机器学习已被广泛应用于恶意软件检测，但现有技术需要大量良性和恶意样本来训练有效的恶意软件检测器。为解决此问题，我们引入了一种基于代码感知的数据生成技术，通过设备生成多个有限见过的恶意软件的变异样本，从而在训练集中能够高效检测新出现的恶意软件。实验结果表明，该技术能够以 90% 的准确率检测有限见过的恶意软件，比现有技术的准确率高出约 3 倍。

Apr, 2024