A Novel Dynamic Android Malware Detaetion System With Ensemble Learning

最新推荐文章于 2019-11-18 12:49:26 发布
最新推荐文章于 2019-11-18 12:49:26 发布
阅读量430 收藏
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u013428193/article/details/80928904
本文提出了一种名为EnDroid的动态分析框架，该框架利用多种类别的动态行为特征来实现高效的Android恶意软件检测。通过提取系统级行为踪迹及应用程序级别的恶意行为特征，结合特征选择算法去除无关特征并采用集成学习算法进行分类，实现了对恶意软件的有效识别。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

关键字：动态 Android恶意软件检测 集成学习
论文来源：2018 IEEE Access
简介：目前提出有效的Android恶意软件检测方法以阻止恶意软件的传播成为一个急切的问题。目前识别大规模恶意软件的主流倾向于通过动态或静态分析方法结合机器学习机制提取各种特征。一般静态分析方法在面对采用复杂混淆技术（加密，动态代码加载）的恶意软件时变得无效。然而动态分析方法适合于解决此类恶意软件。本文提出动态分析框架EnDroid，基于多种类的动态行为特征实现高精度的恶意软件检测。涉及的主要工作如下：
  1. 提取特征，包括系统级别的行为踪迹、常见的应用程序级别恶意行为例如个人信息窃取、高级服务订阅和恶意服务通信。
  2. 特征选择：EnDroid采用特征选择算法去消除干扰的和无关的特征，提取关键行为特征。
  3. 构建EnDroid。通过对运行时监控提取特征，采用集成学习算法构建EnDroid，识别恶意软件。

发现：Stacking实现了最佳的分类性能，并且在Android恶意软件分类检测方面很有前景。
数据集：（1）良性：Google Play Store ;AndroZoo（2）恶意：Drebin (Drebin:Effective and explainable detection of Android malare in your pocket :NDSS 2014)
swenae
关注
安卓应用获取：从Androzoo获得APK样本
weixin_68728938的博客
04-10 794
GitHub - E0HYL/AndrozooDownloader: 从Androzoo下载数据集，区分年份以及良性/恶意应用，支持协程、代理、断点继续、错误重试等。本人在学习安卓权限相关内容时，搜索了不少相关内容，最终选择从Androzoo获取相关数据集。本人自行修改了github项目中的源代码，并且可以正常运行。以下是本人修改后的代码，源项目链接如下，具体使用方法请参考大佬的项目。函数中传递了协程对象而不是任务对象引起的。而在 asyncio 中，在参考此文最后的github项目时，遇到了以下报错。
GAN相关引用/被引用的文章
还没想好
03-05 1280
原论文：Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN 引用论文： 2001 Data Mining Methods for Detection of New Malicious Executables 在本文中，我们提出了一个数据挖掘框架，可以准确自动地检测新的，以前未见过的恶意可执...
ANDROID MALWARE
05-25
This book is based on our years-long research conducted to systematically analyze emerging Android malware. Some of our earlier research results and findings were reported in an IEEE conference paper entitled Dissecting Android Malware: Characterization and Evolution, which was presented at the IEEE Symposium on Security and Privacy (often mentioned as Oakland conference in the security community) in May, 2012 [77]. During and after the conference, we were pleased to receive and hear inquiries from colleagues with encouraging comments on the systematization of knowledge work that has been conducted in our conference paper. Partially because of that, we are motivated to expand our work and hope such efforts will be of service to the security and privacy community. Further, as part of that, we have released corresponding malware dataset for our study under the name Android Malware Genome Projectto the community. With that, we want to take this opportunity to thank our collaborators, Dongyan Xu, Peng Ning, Xinyuan Wang, Shihong Zou, and others, whose valuable insights and comments greatly enriched our work. The authors are also grateful to colleagues in the Cyber Defense Lab at NC State University, especially Tyler Bletsch, Zhi Wang, Michael Grace, Deepa Srinivasan, Minh Q. Tran, Chiachih Wu, Wu Zhou, and Kunal Patel. Special thanks also go to Susan Lagerstrom-Fife and our publisher for their great help and patience! This research was supported in part by the US National Science Foundation (NSF) under Grants 0855297, 0855036, 0910767, and 0952640. Any opinions, findings, and conclusions or recommendations expressed in this material are those of the authors and should not be interpreted as necessarily representing the official policies or endorsements, either expressed or implied, for the NSF. 1 Introduction ........................................ 1 2 A Survey of Android Malware........................... 3 2.1 Malware Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Malware Characterization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2.1 Malware Installation . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2.2 Activation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2.3 Malicious Payloads . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.4 Permission Usage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3 Case Studies ........................................ 21 3.1 Malware I: Plankton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1.1 Phoning Home . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1.2 Dynamic Execution . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2 Malware II: DroidKungFu . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1 Root Exploits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2.2 Command and Control (C&C) Servers . . . . . . . . . . . . . 24 3.2.3 Payloads . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2.4 Obfuscation, JNI, and Others . . . . . . . . . . . . . . . . . . . . 26 3.3 Malware III: AnserverBot. . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3.1 Anti-Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3.2 Command and Control (C&C) Servers . . . . . . . . . . . . . 28 4 Discussion.......................................... 31 5 Additional Reading................................... 33 5.1 Books . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 5.1.1 Malware Detection and Defense . . . . . . . . . . . . . . . . . . 33 5.1.2 Smartphone (Apps) Security. . . . . . . . . . . . . . . . . . . . . 34 5.2 Conference and Workshop Proceedings . . . . . . . . . . . . . . . . . . 34 ix 6 Summary........................................... 37 References............................................ 39 Index ................................................ 43
对A Multimodal Deep Learning Method for Android Malware Detection Using Various Features的简单理解
weixin_43971116的博客
04-19 775
** 对A Multimodal Deep Learning Method for Android Malware Detection Using Various Features的简单理解 ** 核心技术： 从各种方面对安卓软件的特性进行细分，然后基于相似性对特性进行划分，在恶意软件检测中实现了对有效的特征表示。同时，提出了一种基于多模式深度学习的恶意软件检测模型。 该技术先对软件动态分析，对模...
安卓恶意代码数据集（Android Malware and Benign apps）整理
qysh123的专栏
11-18 7535
因为最近想做一些简单的实验，而自己之前收集的数据找不着了，所以又看了看别人的推荐，发现ResearchGate上这个讨论里有些回答还是总结得很好的： https://www.researchgate.net/post/Where_can_I_get_Android_Malware_Samples 例如有一位朋友总结到： Nowadays, we can find other projects...
AppFA：A Novel Approach to Detect Malicious Android Applications on the Network
u013428193的博客
07-06 298
关键字：Android 来源：SCN 2018简介：提出一种应用程序分析方法-AppFA，可以检测网络中的恶意程序。与已存在方法比较，不需要安装程序到移动设备，不需要修改操作系统提取特征；可以处理加密网络流。具体工作如下：    构建约束聚类算法对应用程序的网络流量进行分类，并使用Kernal Principal Component 分析建立应用程序网络流量的profiles探索对等组分析，即比较...
安卓恶意软件分析文献梳理2017-Android Malware Analysis-wcventure
wcventure的博客
01-21 2893
This document collects papers that are related with Android Malware analysis.
BMSCS: A New Approach to Detecting Android Malware with System Call Sequences
02-10
BMSCS是一种新的检测安卓恶意软件的方法，它基于系统调用序列。安卓作为最为普遍的移动系统，同时其平台上的恶意软件也泛滥成灾。系统调用序列被用来检测恶意软件，但依赖常见的系统调用子序列的这些方法效率不高。...
A_Review_on_The_Use_of_Deep_Learning_in_Android_Malware_Detection.pdf
03-19
标题：A Review on The Use of Deep Learning in Android Malware Detection.pdf 描述：文章标题表明，本文是对过去五年中，深度学习在Android恶意软件检测中的应用进行的一次回顾。作者是Abdelmonim Naway和...
DroidEvolver_ Self-Evolving Android Malware__Detection System.zip
03-10
"DroidEvolver_ Self-Evolving Android Malware__Detection System"项目正是针对这一问题提出的一种创新解决方案，它利用Java技术构建了一个能够自我进化的Android恶意软件检测系统。 首先，理解"自我进化"的概念在...
DroidEvolver_ Self-Evolving Android Malware__Detection System.pdf
03-09
《DroidEvolver：自我发展的Android恶意软件检测系统》是一篇发表于2019年的研究论文，讨论了作者Ke Xu、Yingjiu Li、Robert H. Deng等人开发的一款新颖的Android恶意软件检测系统——DroidEvolver。该系统利用自...
AndroidMalware_2020:2020年出现的流行Android恶意软件
03-21
Android恶意软件_2020 2020年流行的Android威胁 一月 静音广告软件75fd1658cd6cb56f9194dbb1aabadd64 80abde70e5f4d4dc7ace31586097e026 1250f1296c0e92112d554960d4f99710 新的Anubis样本d4be1208d35bc8badb0fa97a36a28c8c d936dad9349ebe2daf8f69427f414fdc Coybot巴西银行家058de750a4a2402104e4bd22179f8432050c98ea88b5bfec2f065f6dc2a950f9 bf20ad4fcc9fb6910e481a199bb7da649bcd29dd91846692875a3a2c737b83d9 面包2273af79cae07c3d0d07eb4d3f30d60c 350
CICFlowMeter:CICFlowmeter-V4.0（以前称为ISCXFlowMeter）是用于异常检测的以太网流量双流生成器和分析器，已用于许多网络安全数据集中，例如Android Adware-General Malware数据集（CICAAGM2017），IPSIDS数据集（CICIDS2017）， Android恶意软件数据集（CICAndMal2017）和分布式拒绝服务（CICDDoS2019）
05-13
安装jnetpcap本地仓库 对于linux，sudo是先决条件 //linux :at the pathtoproject/jnetpcap/linux/jnetpcap-1.4.r1425 //windows: at the pathtoproject/jnetpcap/win/jnetpcap-1.4.r1425 mvn install:install-file -Dfile=jnetpcap.jar -DgroupId=org.jnetpcap -DartifactId=jnetpcap -Dversion=1.4.1 -Dpackaging=jar 跑步 IntelliJ IDEA 在IDE中打开终端 //linux: $ sudo bash $ ./gradlew execute //windows: $ gradlew execute 蚀 用sudo运行eclipse 1
《移动广告软件与移动恶意软件分析》白皮书
05-29
“移动广告软件”与“移动恶意软件”是过去几年来在安卓平台上一直存在的两大移动安全威胁，它们通常出现在谷歌电子市场（Google Play）和第三方应用商店里的应用程序中。为了更好的揭示和分析这些基于安卓平台的移动威胁，从而为移动设备用户提供及时有效的安全警示，赛门铁克于近日发布了《移动广告软件与移动恶意软件分析》白皮书。
android malware
公众号shadow sock7
08-23 1166
来源： https://github.com/fs0c131y/Android-Malwares/tree/c897dff1796c9cb7f19104e9ce3546d54cd55a45/Chrysaor/3474625e63d0893fc8f83034e835472d95195254e1e4bdf99153b7c74eb44d86用JEB看是这样一个结构 先看manifest发现用到了超多权
Android Malware Genome Project
weixin_30855761的博客
05-24 471
共享Android平台恶意程序样本和分析结果，致力于开发出更好的探测工具。 北卡州立大学计算机科学系的两位研究人员Yajin Zhou和Xuxian Jiang发起了Android Malware Genome Project，共享Android平台恶意程序样本和分析结果，致力于开发出更好的探测工具。 研究人员至今共收集了1260个Android恶意代码样本，包含了49种不同恶意程序家族...
恶意代码分析相关工具&漏洞挖掘相关工具
m0_37442062的博客
06-06 3632
本文转载自恶意代码分析相关工具&漏洞挖掘相关工具 目录 0x01 恶意代码分析相关工具 0x02 扫描恶意代码及分析工具 0x03 Office文件相关恶意样本分析资料 0x04 PDF文件分析网站 0x05 AdobeFlash/SWF 文件分析 0x06 Android逆向相关 0x07 安卓漏洞及分析报告提供博客 0x08 漏洞挖掘相关工具 #General/Ba...
Toward a more dependable hybrid analysis of android malware using aspect-oriented programming
u013428193的博客
07-05 238
关键字：Android恶意软件  混合分析  面向编程论文来源：2018  computer & security论文简介：文中提出AspectDroid，一种离线应用程序级别的混合分析系统，旨在调查Android应用程序中出现的可能不想要的Acitivities。利用静态字节码检测将分析流程编辑到现有应用程序中，以提供有效的数据流分析，检测资源滥用和可疑行为分析，同时动态监控运行。与以往...
An intelligent system for evolving android malware detection
最新发布
03-23
def android_malware_detection(app_data): analyzer = SemanticAnalyzer() # Perform deep analysis on app behavior patterns behavioral_profile = analyzer.analyze_behavior(app_data) # Initialize AI ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值