利用Graph Convolutional Networks（GCNs）进行Android恶意软件检测模型.pdf

简介：
基于GCN的安卓恶意软件检测模型 采用GCN算法构建的移动端恶意软件检测系统在当前数字化时代背景下，Android操作系统已成为移动智能设备的核心操作平台，在拥有庞大的用户基础以及Google Play等海量应用下载的环境下，其成为恶意软件攻击的主要目标。根据最新报告数据显示，Android平台上恶意软件样本数量持续攀升，并呈现逐年增长的趋势，这对用户的数据安全构成了严峻挑战。传统的基于机器学习的安卓恶意软件检测方法，如通过分析关键权限活动频率和指令序列频率来识别威胁程序，在一定程度上可以有效识别已知类型的恶意软件，但在面对海量样本时往往难以精准定位恶意代码，导致检测准确率受到影响，并出现较高的误报和漏报情况。为解决这一问题，本文提出了一种基于图卷积神经网络的安卓恶意软件检测方法。作为一种专门处理图结构数据的深度学习模型，GCN能够有效捕捉复杂关系与模式。在安卓应用中，函数调用图可清晰展示程序内各函数之间的调用关系。然而，FCG往往规模较大且充斥着冗余信息，导致分析难度增加。该文献综述提出了一种新的FCG精简策略，通过系统性地评估与现有方法的性能差异，降低了整体尺寸的同时保持了关键信息的完整性。研究者们对大量真实恶意行为数据进行了深入分析，并基于这些观察得出了关于恶意程序特征的一些新见解。他们进一步开发了一种新型的API重要性评估指标体系，在此基础上实现了对恶意软件样本库的有效覆盖和识别能力提升。该方法不仅能够在一定程度上降低误报率，还显著提升了检测系统的整体效能水平。本研究整合了多个关键指标，包括操作码频率统计、权限访问行为分析以及频繁使用的API类型三项指标。通过将上述多个分析模块有机融合后，系统的识别能力得到显著提升。实验表明，在标准数据集上该方法表现出较高的有效性和较低的误判率。这篇研究为安卓恶意软件检测提出了创新性的解决方案，在分析架构FCG时充分运用GCN技术，能够有效识别出具有特征的异常行为模式，并显著提升了检测效率与精准度。该模型设计可能在实际系统中得到应用，有助于提升安卓设备的安全防护能力，从而保护用户隐私和数据安全。