[发明专利]一种用于Android恶意软件检测的混合特征筛选方法

说明书

本发明公开了用于Android恶意软件检测的混合特征筛选方法，包括如下步骤：根据现有数据生成训练集和测试集；筛选出初选特征子集；得到对应每种分类器对应的最优特征子集；利用最优特征子集对其对应的分类器进行训练；该用于Android恶意软件检测的混合特征筛选方法可以筛选出最优的特征子集以及与其相匹配的分类算法，大大的降低了分类器的建模时间，能够提高Android恶意软件检测的检测效率以及检测精度。

技术领域

本发明涉及软件安全技术领域，特别涉及一种用于Android恶意软件检测的混合特征筛选方法。

背景技术

据市场研究公司Strategy Analytics最新统计数据显示，2016年第三季度Android的全球市场份额达到创纪录的87.5％，而iOS的全球市场份额跌至12.1％，这主要得益于Android系统的开放性。然而开放性也导致Android恶意软件的泛滥，这些恶意软件(如间谍软件、恐吓软件和广告软件等)给用户带来了严重的安全威胁。Android手机日益严峻的安全形势，使得如何快速高效地检测Android恶意软件成为目前的研究热点。

由于机器学习具有大规模处理数据的能力，能在相似数据结构中做出对目标的判断，因此许多研究者尝试借助机器学习方法进行Android恶意软件检测研究。用机器学习方法构建分类器可以模拟Android应用的行为，区分良性软件和恶意软件。输入分类器的特征包括Android应用程序的静态特征和动态特征，通过对Android软件安装包(Androidpackage，APK)逆向处理可获得如权限、API和意图等静态特征；通过监测APK文件安装之后运行过程的实时信息可获取如系统调用、网络流量等动态特征。

张怡婷等针对Android软件授权机制粗粒度的问题，通过提取软件运行时的用户操作场景和行为习惯等信息作为特征，使用朴素贝叶斯算法检测Android恶意软件，该方法具有较高的检测率和较低的误报率，但用户反馈的正确率不高，故检测效果难以保证。

LIU等提出一种基于权限信息的Android恶意软件检测模型，使用决策树构建分类器，并在分类器的基础上设计了一个两层的Android恶意软件检测模型。该模型在一定程度上提高了检测精度，但由于并未考虑权限以外的信息，故实用性较差。

杨欢等采用多种机器学习算法构建Android恶意软件检测模型，通过提取Android软件的组件、函数调用和系统调用类作为特征，使用三种特征构建分类器检测恶意软件，但该模型难以实现且检测效率不高。

Wolfe等提取Android软件中Java字节码信息作为特征，采用主成分分析法对其进行降维，获得降维后的数据集，进一步使用随机森林、朴素贝叶斯和决策树等算法构建分类器。该方法在一定程度上实现了Android恶意软件检测，但由于所选特征有限，故分类精度不高。

张锐等提出一种基于权限相关性的Android恶意软件检测模型，采用卡方检验计算各权限特征对分类结果的影响，去除冗余特征，再对特征聚类得到最优特征子集，使用改进的朴素贝叶斯算法检测恶意软件。由于该模型只选用了少量的权限特征，因此只能作为进一步筛选的参考依据。

Arora等提取网络流量属性作为特征信息，采用卡方检验和信息增益融合的特征筛选方法，筛选出最小特征集合，实现Android恶意软件的检测精度。但该筛选算法无法保证特征子集的规模，且筛选效果难以保证，故其分类精度不高。

综上所述，目前采用机器学习算法的检测研究成果已经比较成熟，但是常见的Android恶意软件检测方法在特征筛选方面还存在诸多不足，而这些问题的解决必然需要对特征筛选算法进行研究和改进。

发明内容

本发明的目的是提供一种用于Android恶意软件检测的混合特征筛选方法。

为此，本发明技术方案如下：