ESWA | 基于子图网络和去噪GCN网络的鲁棒安卓恶意软件检测

今天给大家分享一篇2024年发表在中科院一区期刊Expert Systems With Applications上的安卓恶意检测鲁棒性的论文《SNDGCN: Robust Android malware detection based on subgraph networkand denoising GCN network》

📌 1. 背景

Android系统的开放性使其成为恶意软件攻击的主要目标。近年来，恶意软件开发者利用代码混淆等对抗性攻击手段，使深度学习检测模型失效。因此，提高Android恶意软件检测的鲁棒性成为研究重点。本研究提出了一种基于函数调用图（FCG） 和去噪图卷积网络（GCN） 的检测方法——SNDGCN，能够有效应对对抗性攻击，提高检测准确率。

---

💡 2. 创新点

本研究的主要贡献包括：

1. 首次提出使用子图网络（SGN）检测对抗性攻击，并定量评估恶意软件的混淆程度。

2. 提出基于1-Lipschitz约束的去噪GCN，提高检测模型对对抗样本的鲁棒性。

3.  综合研究恶意软件的多维节点特征、图结构、图剪枝、对抗攻击检测与去噪处理，提高检测精度与计算效率。

---

🛠 3. 方法

🔹 3.1 函数调用图（FCG）建模

Android应用程序的函数调用图（Function Call Graph, FCG） 表示应用内部的函数调用关系：

•  定义：FCG是一个有向图 ( G = (V, E) )，其中：

  •  ( V )：图中的顶点集合，每个顶点代表一个函数（包括系统API和用户定义函数）。