一种Android恶意软件检测方法来增强基于GCN的函数调用图中的节点特征差异

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 由于Android智能手机的广泛使用,它们是恶意软件的常见目标.
• 函数调用图 (FCG) 用于恶意软件检测,但由于大图结构和无意义的节点,它们存在效率问题.
• 图形神经网络 (GNN) 可以在传播过程中无意中减少重要的节点特征.

研究的目的:

• 提出一种Android恶意软件检测方法,以增强FCG中的节点特征差异.
• 用基于图表的方法提高恶意软件检测的效率和准确性.
• 解决恶意软件分析中现有的基于GNN的方法的局限性.

主要方法:

• 开发了一个基于API的节点功能来分析函数行为.
• 从解编译的APK文件中提取了FCG和功能特征.
• 以TF-IDF为灵感,计算出一个API系数来提取敏感函数调用子图 (S-FCSGs).
• 在输入GCN模型之前,S-FCSG节点添加了自动循环,然后是1-D CNN和完全连接的层进行分类.

主要成果:

• 拟议的方法有效地增强了FCG内部的节点特征差异.
• 与使用其他特征的模型相比,这种方法实现了更高的检测精度.
• 这项研究表明了图形结构和GNN在强大的恶意软件检测方面的潜力.

结论:

• 开发的基于API的节点功能和S-FCSG提取显著改善了Android恶意软件检测.
• 图形结构分析与GNN相结合,为未来的网络安全研究提供了一个有希望的方向.
• 这种方法为识别恶意Android应用程序提供了更有效,更准确的解决方案.