通过群集智能和应用于API调用分析中的自编编码技术增强Android恶意软件检测

Summary

提出了一种混合型Android恶意软件检测框架，利用学习到的特征表示和传统分类器，以提高检测准确性，减少人工特征工程，并有效应对不断演变的恶意软件威胁。

Abstract

恶意软件安全情报涉及分析应用程序及其元数据，以识别潜在的安全威胁。应用程序编程接口（API）调用是检测恶意软件的重要信息来源。缩小恶意软件分析中的特征空间可以提升威胁识别的效率。本研究旨在识别最重要的API调用功能，以提升Android恶意软件检测的精度。三种基于群体智能的优化技术——萤火虫优化、布谷鸟搜索优化和蚂蚁群落优化——与自动编码器结合，用于提取最重要的特征。为了评估这些受自然启发的包装方法，采用了流行的机器学习分类器，包括K最近邻（KNN）、随机森林（RF）、支持向量机（SVM）、决策树（DT）和线性回归（LR）。此外，混合人工神经分类器被证明能提升恶意软件分类性能。该方法的有效性通过实验结果得以验证，仅使用100个API调用功能中的7个，准确率为98.87%。

Introduction

最受欢迎的移动作系统是基于Linux的Android，全球^市场份额为72.55%。与其他受严格法律和版权保护的作系统不同，Android 是一个开放源代码平台，欢迎全球开发者的贡献。但由于其庞大的用户基础，病毒攻击频繁针对它。恶意软件是指旨在破坏计算机系统运行或利用私人信息的恶意软件。在安卓生态系统中，恶意软件渗透最常见的方式是通过下载应用程序。虽然从可信来源获得的应用程序通常安全，但从未经验证或恶意平台下载的应用可能包含有害软件。网络犯罪分子常利用设备的安全漏洞，部署恶意软件以破坏设备完整性².

随着用户数量的持续增长，网络攻击者可访问的宝贵数据量也在增加。攻击者可能会利用这一点，在官方移动应用市场分发恶意应用。一旦无辜用户安装了应用，他们无意中将访问权限授予攻击者对其设备的访问权限。鉴于此类威胁日益普遍，先进的恶意软件检测技术对于对抗大量恶意应用至关重要 ^3,4,5。已有多种技术被开发用于预测Android恶意软件^6,7<....

Protocol

基于封装的特征选择方法使用自动编码器，用于安卓恶意软件检测的建议架构，如 图1所示。数据集被划分为70：30的训练和测试子集。分类和特征选择是恶意软件分析过程中的两个主要步骤。

功能选择（FS）： 这一步是通过基于群体智能的算法，特别是布谷鸟搜索优化（CSO）、蚂蚁狮优化（ALO）和萤火虫优化（FO））迭代搜索最佳特征子集（见定义1）。之后，自动编码器处理所选特征，生成输入数据的压缩表示。归纳方法随后利用自动编码器的输出来评估这些特征区分危险与良性应用的能力。为了实现后续案例的精确分类，归纳算法通过将特征空间映射到一组类标签来构建分类器。

分类： 利用建议的人工神经元分类器和知名的归纳方法，在此阶段评估特征选择阶段减少的功能集，以评估其检测Android恶意软件的有效性。

通过采用复杂的分类方法并聚焦最具信息量的特征，该方法旨在提高安卓恶意软件检测的准确性和效率。

特征选择

机器学习中一个关键步骤是特征选择，即确定哪些特征在模型构....

Results

在拟议的Android恶意软件检测系统中，使用了多种性能指标，如均方误差（MSE）、均方误差根（RMSE）、精度、召回率、F1评分和准确性。以下是这些度量的定义。

<.......

Discussion

安卓恶意软件威胁不断增加，对手采用了越来越复杂的规避技术。基于安卓的移动系统和应用在智慧城市和工业环境中发挥着关键作用。确保这些系统安全，尤其是在如此关键领域，需要强大的恶意软件检测机制。最近，基于机器学习的恶意软件检测研究引起了^{广泛关注。}然而，许多现有方法依赖特征工程¹⁷，这是一个劳动密集型过程，需要基于模拟经验进行特征分析和选择。因此，特征选择和检测性能的持续进步至关重要。

本研究探讨了基于自编码器的降维方法以优化特征选择。为了研究特征模式，首先使用自编码器处理整个特征集。为了找到最重要的特征，随后使用基于封装器的特征选择技术来检索信息。为了将安卓应用分类为良性还是恶意，机器学习模型会使用改进功能子集进行训练。本文介绍了人工神经元分类器，这是一种结合了合成神经网络和传统机器学习方法的混合分类模型，同时还涉及降维。

结合基于包装器的特征选择技术与自编码器显示了显著.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
蟒蛇导航员	安纳康达公司	导航员-2023
谷歌Colab	谷歌有限责任公司	无
朱皮特笔记本	朱比特计划	无
蟒蛇	Python 软件基础	>=3.9
PyTorch	Facebook人工智能研究	>=2.0
Scikit-learn	社区驱动	>=1.0
张量流	谷歌大脑	>=2.8
Windows作系统	Microsoft公司	11