可对抗加壳技术的安卓恶意应用检测方法研究

来源 :北京邮电大学 | 被引量 : 0次 | 上传用户:fly884531973
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着目前移动互联网技术的高速发展,智能移动终端在消费市场中迅速崛起,成为人们生活中不可或缺的生产生活工具。安卓(Android)作为一。款面向移动端的智能操作系统,自2011年以来已经成功地取代了其它手机系统,并且常年在全球移动操作系统市场中占据统治地位。截止2020年5月,安卓操作系统的市场占有率超过70%,已然走入千家万户并且悄无声息地改变着人们的生产生活方式。与此同时,由于安卓操作系统在系统安全策略以及应用商店的管理方面均存在较多的缺陷,安卓应用相关的安全事件频繁见诸报端,例如恶意扣费、隐私窃取、资费消耗、系统破坏、广告欺诈等。这对安卓手机用户的隐私和财产安全构成了极大的威胁,也对安卓恶意应用检测技术提出了更高的要求。本文在对安卓恶意应用研究的过程中,发现相当一部分恶意应用采用混淆、加密、加壳以及反调试等技术对抗反病毒检测引擎。在一定程度上,这些技术可以防止恶意应用自身逻辑被逆向分析,从而躲避反病毒检测引擎的筛查。其中,加壳技术通常是目前最为有效的对抗措施之一,加壳技术往往会对应用的原始代码进行加密,并且只在运行时通过动态加载的方式还原代码。常规的恶意应用检测方法并没有考虑加壳技术带来的挑战,这就导致了这些检测方法往往无法取得令人满意的检测结果。本文针对安卓恶意应用检测时出现的恶意应用加壳问题进行系统而又深入地研究,包括安卓壳程序识别、安卓壳程序脱壳以及可对抗加壳技术的安卓恶意应用检测方法。并且本文针对每一个研究问题都提出了对应的解决方法。本文具体工作与贡献如下:(1)针对目前安卓壳程序对大规模安卓应用的自动化静态分析产生干扰,且现有壳识别方法识别率不高等问题,本文提出一种基于加权熵的安卓壳识别方法。该方法使用加权熵技术提高壳识别方法的准确率。此外,由于标识符混淆技术可以显著改变应用程序的信息熵,因此,该方法还额外采用多种独立于信息熵的特征,确保检测结果的稳定性。该方法通过模型选择以及超参数调优这两种模型优化方法,最终确定最佳的分类模型。通过实验,本文证明了加权熵可以显著提高壳程序的识别率。并且通过对比,本文提出的安卓壳识别方法要明显优于其他同类研究方案。(2)针对目前安卓壳程序防御手段多样化,且现有脱壳框架开发复杂、脱壳成功率低的问题,本文提出了一种基于双层架构设计的安卓动态脱壳方法。该方法能够有效破解安卓壳程序的多种防御手段,并且实现快速开发迭代。该方法采用双层架构设计,这种分层式的设计能够降低脱壳器中不同模块之间的耦合度,使得更新脱壳逻辑时不需要重新编译安卓系统的内核,甚至不需要重启系统。此外,这种分层式架构设计使得脱壳器能够兼容不同版本的安卓系统,并且能够通过快速升级以适应最新的加壳技术。为系统性验证脱壳器的性能,本文提出第一个用于评价脱壳器性能的指标IRR(Item Recovery Ratio)。通过实验,本文提出的安卓脱壳方法要明显优于其他同类研究方案,并且能够破解目前市面上主流的安卓加壳技术。通过实践,本文提出的方法可以应用于安卓恶意应用检测、安卓应用漏洞挖掘等相关研究领域。(3)针对目前安卓恶意应用使用加壳技术隐藏其恶意代码逻辑,导致现有基于静态分析技术的恶意应用检测方法代码覆盖率降低的问题,本文提出了一种可对抗加壳技术的自动化安卓恶意应用检测方法。该方法将壳识别技术、动态脱壳技术以及基于静态分析方法的恶意应用检测技术相结合,从而对加壳的安卓恶意应用实现自动化分析。一方面,该方法使用静态代码分析技术保证了在处理大规模应用检测时的效率;另一方面,该方法使用壳识别技术过滤出加壳应用,并且使用动态脱壳技术还原其源代码,从而提升恶意应用检测系统的代码覆盖率。此外,该方法还通过特征选择、模型选择以及超参数优化的方式,最终确定最佳的分类模型。通过实验,本文验证了脱壳技术可以显著提高恶意应用检测的准确率。并且通过对比,本文提出的安卓恶意应用识别方法要优于其他同类研究方案。
其他文献
视网膜作为人眼成像的关键部位,由色素上皮层和视网膜感觉层组成,紧贴在脉络膜内面。由于许多眼底疾病所引起的病变通常会表现在眼底血管之上,所以在临床医学上,获取视网膜图像通常是诊断眼底疾病和其他系统的疾病的重要环节之一。由于眼底照相机拍摄照片的角度有限,单幅图像所得的区域较小,难以获取有效的图像信息,因此,在医学研究领域或者临床诊断医学上,需要将多幅不同角度拍摄的视网膜图像拼接在一起,以此获得较为完整
随着气候变化和城市化进程的加快,短历时暴雨引发的城市内涝、小流域山洪灾害等问题亟待解决,严重威胁着人民的生命财产安全和经济社会发展。科学、合理、精确地编制暴雨公式
为了解决神经网络训练时的巨大资源消耗,MLaa S(机器学习即服务)正如Saa S(软件即服务),Paa S(平台即服务)和Iaa S(基础设施即服务)一样,已成为一种发展趋势。但伴随而来的是第三方提供服务的不可信问题:机器学习服务提供商可能由于遭受黑客攻击或受额外利益的诱惑而在其服务模型中部署木马后门,发布附带恶意功能的神经网络模型,即神经网络木马。当对这些被感染的模型输入带有特殊标记的样本时,
物联网的快速发展,给生产生活带来巨大便利。然而物联网设备受限于自身的计算能力、存储能力、网络带宽等因素,加上与之相配套的安全技术未能与其发展速度相适应,使得物联网中存在着大量易被攻击的不安全设备,存在着严重的安全隐患,最直观的体现便是物联网僵尸网络的泛滥,因此本文对物联网僵尸网络流量的检测进行了深入的研究。本文以网络流量分析和神经网络相关技术为基础,针对物联网僵尸网络检测中的数据处理、特征选择以及
随着深度学习技术的蓬勃发展,人工智能相关应用越来越多的出现在日常生活中。其中的代表性技术,如人脸识别,行人识别,车牌识别等,为人类生活创造了极大的便利。而在这些应用领域,目标检测算法扮演着重要角色。尽管现有的算法在类别较少的任务上达到了很高的精度,但是随着类别数目的增加,其性能会急剧恶化,无法应对自动驾驶、机器人巡检等复杂自然场景下的算法需求。通过对大规模多分类数据集LVIS的深入分析,本文认为数
目的复方绿柳颗粒(LvLiuKeLi,LLKL)由绿萝花(Edgewortahi gardneri(Wall.)Meisn.)、柳茶(Sibiraea angustata)、藏红花(CrocussativusL.(saffron))组成,本研究观察LLKL改善2
随着当前工业化和智能化的发展需求,实际应用中出现大量的多解优化问题,如多解路径规划、多目标投资组合优化等工程与科学领域的问题,这些问题都具有多变量、多峰值、多约束
基于IP传输网络的视频会议系统并不具有传统电信专网所提供的低延时、低抖动、带宽保障的优点,这主要是由于IP网络是基于无连接分组交换设计的,提供的是“尽力而为的”服务,
随着社会智能化、数字化进程的快速发展,视觉数据(如图像、视频等)作为一种简单直接、内容丰富的信息呈现方式,已广泛渗入到现代生活的方方面面。人们在创造、分享及传播视觉
对于面部表情来说,既能够将人的情绪变化体现出来,也能够将人的喜怒哀乐表达出来。长期以来,人们都通过表情来对人的情绪变化进行研究,尤其是通过人工智能手段来识别人的面部表情。对于微表情来说,它是没有意识的、最真实的表情之一,可以将人当前的真正情感体现出来,慢慢成为了学术研究者们研究的热门方向。微表情的变化是非常微小的,这使得微表情的研究非常困难。这种表达方式是不能伪造和压制的,因此也成为了判断人们主观