基于Android的IoT恶意软件智能识别方法研究

In the increasingly serious situation of network security, the issue of ensuring IoT security is to identify IoT malware on Android efficiently and accurately. From the analysis of the diversity of Android applications, the technology of program analysis and behavior analysis are combined innovatively in this research work. In order to improve detection accuracy and reduce detection overhead, this research uses waterfall hybrid approach to establish a multi-stage Android malware recognition framework. The main works of this research include: (1) research on Android program analysis method based on the combination of dynamic and static; (2) research on traffic behavior analysis method of Android program associated with spatiotemporal feature; (3) proposal of dual fusion method combining features and models, which addresses the challenges of low recognition efficiency or low recognition accuracy of existing Android-based IoT malware detection systems. The results of this research provide (1) theoretical guidance and technical support for ensuring the security of IoT, (2) reference and basis for future scientific research and policy formulation of IoT security. It is also significant for the wide application of artificial intelligence technology in the security field.

在网络安全形势越发严峻的情况下，如何高效、准确识别基于Android的IoT恶意软件是保障IoT使用安全的难题。本项目在分析Android应用程序多样性的基础上，将程序分析技术和行为分析技术创新性地进行结合；利用瀑布型混合方法，建立多阶段Android恶意软件识别框架，进而提高检测精度和降低检测开销。本项目的主要研究内容包括以下三个方面：1）研究基于动、静态结合的Android程序分析方法；2）研究时空特征关联的Android程序流量行为分析方法；3）提出结合特征和模型的双重融合方法，解决现有基于Android的IoT恶意软件检测系统识别效率或识别准确性低的问题。本项目的研究成果将为保障国家物联网安全提供理论指导和技术支撑，为未来物联网安全的科学研究和政策制定提供参考依据，也对人工智能技术在安全领域的广泛应用具有积极意义。

在网络安全形势越发严峻的情况下，如何高效、准确识别基于Android的IoT恶意软件是保障IoT安全的难题。本项目在分析Android应用程序多样性的基础上，将程序分析技术和流量行为分析技术进行结合，并从特征和模型两个方面进行双重融合，建立起多阶段Android恶意软件识别框架，进而提高检测精度和降低检测开销。主要研究内容包括以下三个方面：（1）基于动、静态结合的程序分析方法研究：提出一种ART环境下的通用脱壳方法来提高脱壳效率，从而更好地进行静态分析；并在此基础上充分利用函数调用图与代码语义信息来实现精准检测，同时提出基于图节点关系和图压缩识别的方法来减少检测中的时间消耗。提出基于基因进化算法的动态深度分析引擎构建方法实现对恶意行为的高触发；并针对动态分析中存在的逃逸问题，提出基于函数调用和条件特征识别的检测方法;（2）时空特征关联的流量行为分析方法研究：在图像和语义两个方面分别基于灰度图以及时序特征实现恶意流量的高效检测;（3）结合特征和模型的双重融合方法研究：程序分析方面，基于异构图以及多模态特征，结合多核学习以及注意力机制，实现特征与模型的双重融合，从而达到对恶意软件的快速准确识别。流量行为分析方面，基于集成学习和多视角流量特征分析，最大程度分析恶意软件样本的特点，提高恶意流量的检测准确率。. 项目执行期间累计发表8篇学术论文、授权3项国家发明专利以及申请10项国家发明专利，协同培养5名硕士生毕业。本项目的研究成果将为保障国家物联网安全提供理论指导和技术支撑，为未来物联网安全的科学研究和政策制定提供参考依据，也对人工智能技术在安全领域的广泛应用起到积极推动作用。

内容获取失败，请点击重试