目前，Android系统上恶意软件的种类和数量疯狂增长，对用户构成了极大的威胁，因此本发明提出了一种基于映射关系的对抗性Android恶意软件检测方法。首先，创立硬件库，同时根据权限控制API的机制，利用构建的敏感API库和敏感权限库建立映射关系库，然后，利用python调用Android软件的逆向工具，对软件进行脱壳重打包处理后，获取从Android软件中提取到的API、权限、硬件特征，与映射关系库、硬件库进行对比，生成one‑hot编码，最后，训练CNN模型，在测试集中使用最佳训练模型对软件进行检测。本发明能有效地检测Android系统上恶意软件，对智能手机生态圈的健康发展具有重要意义。
📄 2021116009909
📂 G06F21_56
👤 浙江工业大学
📅 2021-12-24
一种面向恶意软件图像格式检测模型的黑盒攻击的防御方法，包括：1)获取数据集，分为训练集和测试集；2)转换为恶意软件图像格式；3)构建基于深度卷积生成对抗网络(DCGAN)生成扰动的黑盒攻击模型，黑盒攻击模型结构分为生成器和判别器两部分；4)经过步骤3)构建的生成器和判别器之间的不断对抗过程，生成器最终生成能够模仿样本B的对抗样本；5)将步骤4)获取的对抗样本对恶意软件汇编格式检测模型重训练进行优化，获得能够防御对抗攻击的恶意软件检测模型；6)利用能够防御对抗攻击的恶意软件检测模型对恶意软件进行识别。本发明还包括实施面向恶意软件图像格式检测模型的黑盒攻击的防御方法的装置。
📄 201910886217X
📂 G06F21_56
👤 浙江工业大学
📅 2019-09-19
本发明公开了一种基于API语义解析的恶意软件检测方法，包括基于API调用序列样本学习得到每个API的表征向量，将API名称分词为单词并计算得到每个单词的表征向量；基于API名称和单词集合构建以API和单词作为节点的API图谱，采用图卷积神经网络更新所有节点的表征向量；获取API调用序列样本，基于API图谱中各API节点的表征向量将API调用序列样本转化为表征向量序列样本，利用标注后的表征向量序列样本训练LSTM网络得到识别模型；对于待识别的实时API调用序列，利用API图谱转化为实时表征向量序列，将实时表征向量序列输入识别模型得到恶意软件检测结果。本发明有效提高对恶意软件的检测能力。
📄 2022104257495
📂 G06F21_56
👤 浙江工业大学
📅 2022-04-21
本发明公开了一种面向API序列恶意软件检测模型的黑盒攻击与防御方法，包括：面向黑盒的代理模型构建；基于扰动的生成模型构建：通过训练生成模型，在恶意软件的API序列中添加噪声API来对其进行扰动；对抗训练：通过对抗训练，使得代理模型能够更好地模拟被攻击模型，使得生成模型生成的恶意软件API序列能够更不容易被代理模拟检测出来；模型的防御性训练：通过加入生成模型生成的恶意样本来对检测模型进行再训练，使得其对对抗样本具有更强的鲁棒性。本发明通过模拟攻击者来生成对抗样本，并基于对抗样本来对恶意软件检测模型进行再训练，可大大提高恶意软件检测模型对恶意对抗攻击的防御能力。
📄 2022110786087
📂 G06F21_56
👤 浙江工业大学
📅 2022-09-05
本发明公开一种基于自适应计算时间策略的恶意软件检测方法及系统。本发明提出了一个新的深度学习框架——DACT‑Transformer来检测Android恶意软件，是一种用于类似Transformer模型的自适应计算时间策略。DACT‑Transformer为Transformer的常规处理增加了一个自适应的计算机制，它可以控制在推理时需要执行的Transformer块的数量。通过这样使本发明在略微降低精度的情况下，减少了模型的计算负荷，降低在实际生产中对设备造成的压力。
📄 202211071188X
📂 G06F21_56
👤 杭州电子科技大学
📅 2022-09-01
本发明涉及大数据处理技术和卷积神经网络，特别涉及一种基于大数据的安卓恶意软件检测方法，包括：将第一特征数据输入预训练的全连接网络中，得到样本数据的第二特征数据；对第二特征数据进行位置编码，获取每个节点的唯一向量表示；将节点的唯一向量表示输入由信息决策卷积神经网络模型、提升深度卷积神经网络和全局最大池化层构成的预测网络得到检测结果；本发明提高了安卓系统的安全防护能力：通过收集和分析安卓应用数据，能够精准识别恶意软件的特征和行为模式，从而有效防止恶意软件对用户隐私和财产安全的侵害。
📄 2024106997900
📂 G06F21_56
👤 重庆邮电大学
📅 2024-05-31
本发明涉及一种基于MAAM和CliqueNet的恶意软件检测和家族分类方法，恶意软件检测方法包括：将PE软件转换成灰度图像的步骤、搭建基于MAAM和CliqueNet的检测模型的步骤、训练恶意软件检测网络的步骤和预测PE软件是否为恶意软件的步骤，家族分类方法包括构建训练数据集的步骤、家族分类网络训练的步骤以及家族分类预测的步骤；本发明可在空间域上结合局部和全局的多尺度关键信息，并能自适应地选择通道和空间注意力模块的排列方式，以强化对恶意软件特征的关注，在减少特征工程的同时改善了恶意软件家族分类样本不平衡的问题，对于混淆攻击可靠有效。
📄 2021111030316
📂 G06F21_56
👤 河北师范大学
📅 2021-09-18
本发明属于网络安全控制技术领域，具体涉及一种基于三元关联图检测的恶意软件传播控制方法及装置；所述方法包括获取恶意软件、用户节点和传播路径的数据源信息，并进行预处理；建立三元关联图；基于三元关联图中边的权重矩阵，按照交叉迭代评分机制计算出恶意软件、传播路径和用户节点评分；使用多元线性回归评分进行统一的量化，计算出用户节点的影响力；基于评分值和热点感染驱动机制，建立传染病SIHR传播模型，计算出驱动因素对传播状态和传播趋势；根据传播模型的结果，对下一时刻的恶意软件传播路径进行截断，对用户节点进行隔离。本发明对恶意软件进行广播，有效截断恶意软件的传播途径，并对感染用户进行隔离，从而提高用户的安全性。
📄 2019111411857
📂 H04L29_06
👤 重庆邮电大学
📅 2019-11-20
本发明提出了一种基于多特征的安卓恶意软件家族聚类方法。该方法首先抽取权限特征、API特征和操作码特征，用于表示样本不同方面的信息；其次在预处理阶段过滤API特征和操作码特征中冗余特征，以减少后续计算时间并提高聚类效果；然后使用Jaccard系数计算样本之间的权限特征、API特征和操作码特征的相似度，同时利用API序列信息计算API的序列相似度，集成所有相似度得到恶意软件之间的相似度；最后，通过设置相似度阈值构建恶意软件网络，使用社区发现中的InfoMap算法实现聚类。通过本发明方法能有效实现恶意软件的家族聚类，对恶意软件检测和原因分析有着非常重要的意义。
📄 2021116284817
📂 G06F18_2321
👤 杭州电子科技大学
📅 2021-12-28
本发明请求保护一种Android恶意软件检测的方法、系统及介质，本发明引入智能代理模型的概念来动态认定应用程序。该方法首先提取Android系统清单文件存在的风险属性，通过词频计算转化为数值，再由等距分箱处理将数值划分为三类集合XLR、XHR和XMR，进而确定样本集类型并加入到模型中，其次对提取的权限属性，API属性等根据不同类别采用并行化的特征选择和特征融合方式，使得最大程度地去除相关性和冗余性属性，最后对处理后的特征集进行归一化处理，构建支持向量机分类器。本发明的优点在于，根据分类结果对智能代理模型进行动态调整，进而提高了检测过程中的可识别性，并通过对特征的分类处理，更加有效的利用了特征数据，提高了分类模型的准确性。
📄 2019111350618
📂 G06F21_56
👤 重庆邮电大学
📅 2019-11-19
本发明公开了一种恶意移动应用检测方法，包括：将待检测移动应用程序转换为可执行、可分析的apk文件；对apk文件进行静态分析，提取移动应用静态特征；根据移动应用静态特征中动态分析所依赖的相关信息对移动应用进行行为触发及行为监控，提取移动应用动态特征；综合考虑移动应用静态特征、移动应用动态特征，对待检测移动应用进行敏感行为分析，根据分析结果对恶意移动应用进行检测分类。本发明通过静态分析获取静态特征，从静态特征中提取动态执行所依赖信息，进行行为触发及行为监控，通过静态结合的方法进行特征提取，实现对恶意移动应用的自动检测，能够破解大部分恶意代码的反分析机制，实现恶意移动应用准确检测。
📄 2019109682028
📂 G06F21_56
👤 南京信息职业技术学院
📅 2019-10-12
柿子坊 · 知识产权运营
柿子坊知识产权运营平台