基于应用分类和系统调用的Android恶意程序检测.pdf

装到Android手机上时，手机将运行时的系统调用信息和权限信息发送到远程服务器。通过序列最小优化算法对应用程序进行分类，并在分析系统调用频率信息后计算该应用的系统调用使用值。将此值与对应类别中的系统调用使用阈值进行比较，可以判断是否存在恶意行为。用户可以根据需要获取检测结果并调整应用程序的分类以进一步检查。这种方法不仅减少了手机资源的消耗，还能尽快响应恶意软件的存在。 Android恶意程序检测是保护用户信息安全的关键环节。随着Android平台的广泛应用，其安全问题日益凸显。传统的恶意软件检测方法主要包括静态分析和动态分析两种。静态分析主要通过分析应用程序的二进制代码或APK文件，不需运行程序就能提取特征，如权限请求、API调用等。然而，静态分析可能会被混淆技术绕过，导致漏检。 动态分析则是在程序运行时监控其行为，如系统调用、网络通信等，以发现潜在的恶意行为。这种方法更接近实际运行环境，但可能需要大量资源，且无法检测出只在特定条件下触发的恶意行为。 文中提到的方法结合了静态分析和动态分析的优点。它利用应用的分类信息，这是一种静态属性，可以预先设定每个类别中正常应用的系统调用模式。然后，在运行时收集系统调用数据，这是动态分析的一部分。通过对比运行时数据与预设阈值，可以有效地检测异常行为。 序列最小优化算法在文中用于应用程序的分类，这是一种机器学习算法，能够处理高维数据并找出最佳分类。通过训练数据集，算法可以学习到各类应用的系统调用模式，并在新应用安装时快速将其分类。 此外，该方法还具有用户参与的特性，用户可以根据检测结果调整应用分类，这增加了系统的灵活性和准确性。用户可以根据自己的经验和判断来辅助系统识别恶意程序，提高了检测的可靠性。 基于应用分类和系统调用的Android恶意程序检测方法提供了一种有效且资源效率高的解决方案，能够在恶意软件爆发增长的背景下，为Android用户提供更好的安全保障。同时，这种方法也展示了在移动安全领域中，结合多种分析手段以及用户参与的重要性，为未来的研究提供了有价值的参考。