基于深度学习的安卓恶意应用检测

苏志达，祝跃飞，刘 龙

(数学工程与先进计算国家重点实验室，郑州 450001)

基于深度学习的安卓恶意应用检测

苏志达*，祝跃飞，刘 龙

(数学工程与先进计算国家重点实验室，郑州 450001)

(*通信作者电子邮箱dhszd1992@163.com)

针对传统安卓恶意程序检测技术检测准确率低，对采用了重打包和代码混淆等技术的安卓恶意程序无法成功识别等问题，设计并实现了DeepDroid算法。首先,提取安卓应用程序的静态特征和动态特征，结合静态特征和动态特征生成应用程序的特征向量;然后,使用深度学习算法中的深度置信网络(DBN)对收集到的训练集进行训练，生成深度学习网络；最后,利用生成的深度学习网络对待测安卓应用程序进行检测。实验结果表明，在使用相同测试集的情况下，DeepDroid算法的正确率比支持向量机(SVM)算法高出3.96个百分点，比朴素贝叶斯(NaiveBayes)算法高出12.16个百分点，比K最邻近(KNN)算法高出13.62个百分点。DeepDroid算法结合了安卓应用程序的静态特征和动态特征，采用了动态检测和静态检测相结合的检测方法，弥补了静态检测代码覆盖率不足和动态检测误报率高的缺点，在特征识别的部分采用DBN算法使得网络训练速度得到保证的同时还有很高的检测正确率。

安卓; 恶意软件检测; 恶意代码分析; 深度学习

0 引言

Android作为当前最为流行的移动智能操作系统，设备和用户数量庞大，应用程序丰富，其安全性受到了广泛关注。而且移动设备与用户的真实身份密切相关，随着移动设备的智能化，移动设备中包含的用户位置信息、社会关系、隐私数据等敏感信息越来越多，使其安全问题更显突出。……