基于数据流深度学习算法的Android恶意应用检测方法

作者：朱大立; 金昊; 吴荻^*; 荆鹏飞; 杨莹

来源：信息安全学报, 2019, 4(02): 53-68.

DOI：10.19363/J.cnki.cn10-1380/tn.2019.03.06

• 机器学习
• Android恶意应用检测
• 深度学习
• 数据流特征

目前针对未知的Android恶意应用可以采用机器学习算法进行检测,但传统的机器学习算法具有少于三层的计算单元,无法充分挖掘Android应用程序特征深层次的表达。文中首次提出了一种基于深度学习的算法DDBN(Data-flow Deep Belief Network)对Android应用程序数据流特征进行分析,从而检测Android未知恶意应用。首先,使用分析工具Flow Droid和SUSI提取能够反映Android应用恶意行为的静态数据流特征;然后,针对该特征设计了数据流深度学习算法DDBN,该算法通过构建深层的模型结构,并进行逐层特征变换,将数据流在原空间的特征表示变换到新的特征空间,从而使分类更加准确;最后,基于DDBN实现了Android恶意应用检测工具Flowdect,并对现实中的大量安全应用和恶意应用进行检测。实验结果表明,Flowdect能够充分学习Android应用程序的数据流特征,用于检测未知的Android恶意应用。通过与其他基于传统机器学习算法的检测方案对比, DDBN算法具有更优的检测效果。

• 单位
  中国科学院大学; 中国科学院信息工程研究所