如今,安卓惡意軟件已經(jīng)成為我們日常數(shù)字化生活中一個嚴重的威脅,且惡意軟件的數(shù)量不斷增加,種類也越來越多,使得傳統(tǒng)分析手段變得低效甚至失效。因此,迫切需要高效且精確的檢測方式來抵御惡意軟件,以保護安卓用戶的安全。近幾年很多研究者提出了基于機器學習的方法,但這些方法通常使用輕量級的語法屬性,所得特征對于表征應用程序過于簡單,這對安卓惡意軟件的檢測來說是遠遠不夠的。而語義屬性可以很好的表征應用程序的行為,因此本文采用程序的語義屬性來對安卓惡意軟件展開研究。本文內容主要分為以下兩個部分:一、本文提出了基于控制流程圖與數(shù)據(jù)流程圖的安卓惡意軟件檢測方法。首先,本文通過靜態(tài)程序分析提取安卓應用程序的控制流程圖與數(shù)據(jù)流程圖,同時考慮過程內分析與過程間分析兩種方式。然后,將所得流程圖編碼為矩陣,在矩陣化過程中,本文還考慮了圖的水平組合和垂直組合兩種方式。最后,基于卷積神經(jīng)網(wǎng)絡構建安卓惡意軟件檢測模型。為了驗證方法的有效性,本文在由Marvin、Drebin、VirusShare和ContagioDump組成的近10萬數(shù)據(jù)上構建了一系列實驗,實驗結果顯示本文的檢測方法有很好的檢測效果,其中水平組合方式的檢... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

安卓惡意軟件檢測框架

程序預處理

控制流程圖Tcfg示例

【參考文獻】：
期刊論文
[1]多維敏感特征的Android惡意應用檢測[J]. 謝念念,曾凡平,周明松,秦曉霞,呂成成,陳釗.  計算機科學. 2019(02)
[2]一種基于支持向量機的安卓惡意軟件新型檢測方法[J]. 張超欽,胡光武,王振龍,劉新宇.  計算機應用與軟件. 2018(10)
[3]基于半監(jiān)督學習的安卓惡意軟件檢測及其惡意行為分析[J]. 杜煒,李劍.  信息安全研究. 2018(03)
[4]一種Android惡意軟件多標簽檢測方法[J]. 王軍,莊毅,潘家曄.  小型微型計算機系統(tǒng). 2017(10)
[5]Static and Dynamic Integrated Analysis Scheme for Android Malware[J]. Chun-Hao Yung,Wen-Shenq Juang.  Journal of Electronic Science and Technology. 2017(03)
[6]基于動靜結合的Android惡意代碼行為相似性檢測[J]. 陳鵬,趙榮彩,單征,韓金,孟曦.  計算機應用研究. 2018(05)
[7]基于權限統(tǒng)計的Android惡意應用檢測算法[J]. 程運安,汪奕祥.  計算機應用與軟件. 2017(01)
[8]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue.  Tsinghua Science and Technology. 2016(01)
[9]基于行為的Android惡意軟件家族分類系統(tǒng)[J]. 彭國軍,羅元,沈詩琦,趙豪東,李晶雯.  保密科學技術. 2014(08)



本文編號：3258080