LLMs on support of privacy and security of mobile apps: state of the art and research directions

文章主要内容总结

本文聚焦于大语言模型（LLMs）在移动应用隐私与安全领域的应用，全面梳理了当前研究现状并指明未来研究方向。随着移动设备的广泛普及，移动应用面临的安全与隐私威胁愈发复杂，传统的静态分析、动态分析和混合分析方法在应对这些威胁时存在诸多局限，如准确性与可扩展性难以兼顾、需要root设备等。

LLMs凭借其强大的代码理解、生成和推理能力，为移动应用安全分析提供了新思路。文中介绍了LLMs在漏洞检测、 bug 检测与复现、恶意软件检测等方面的应用。例如，GPT - 4等模型在识别OWASP移动十大漏洞上表现出色，ChatGPT可用于分析应用行为与隐私政策的一致性，GPTDroid工具借助LLMs实现了GUI自动化测试。

此外，文章以图像元数据泄露这一具体场景为例，阐述了LLMs - based解决方案的工作流程，该方案结合静态分析和检索增强生成（RAG）技术，无需动态分析即可检测敏感数据泄露风险。最后，文章探讨了LLMs应用面临的挑战，包括模型黑箱特性、内容中毒攻击以及权限管理辅助等问题。

文章创新点

1. 方法创新：提出将LLMs应用于移动应用安全分析，替代传统动态分析，有效解决了传统方法中可扩展性差的问题。
2. 技术整合：结合少样本学习（FSL）和检索增强生成（RAG）等技术优化LLMs输入提示，在应对输入令牌限制的同时，提升了分析的准确性。
3. 场景突破：针对图像元数据泄露这一常见安全风险，设计了基于LLMs的自动化检测架构，无需手动动态分析，显著提高了检测效率。