针对传统的恶意软件检测提取单一特征,输入单个分类器,检测准确率低等问题。本研究提取多重静态特征,构建各自的训练模型,并采用Stacking算法对各模型输出结果进行聚合。将图像纹理特征和操作码特征两种特征与标签数据融合。再集成学习并对比结果。实验结果表明,与传统的恶意软件分类方案相比,基于集成学习的多属性特征恶意软件检测方法的AUC值达到了99.84%。相较于传统的提取单一特征或使用单一分类器的机器学习分类方案,本方法能够更有效的提高对恶意软件随机样本检测和分类的效果。

恶意软件检测；特征融合；集成学习；N-Gram方法

[1] Wu B, Chen S, Gao C, et al. Why an android app is classified as malware: Toward malware classification interpretation[J]. ACM Transactions on Software Engineering and Methodology, 2021, 30(2): 1-29. [2]Zhang N, Tan Y, Yang C, et al. Deep learning feature exploration for android malware detection[J]. Applied Soft Computing, 2021, 102: 107069. [3]Wu B, Chen S, Gao C, et al. Why an android app is classified as malware: Toward malware classification interpretation[J]. ACM Transactions on Software Engineering and Methodology, 2021, 30(2): 1-29. [4]王玉胜,毛子恒.基于双流融合网络的恶意软件动态行为检测[J].现代信息科技,2024,8(08):177-181+185. [5]赵敏,张雪芹,朱唯一,等.基于LSTM-SVM模型的恶意软件检测方法[J].华东理工大学学报(自然科学版),2022,48(05):677-684. [6]张冬雯,张少华,陈振国,等.基于多特征融合的恶意软件分类方案[J].微电子学与计算机,2022,39(05):87-95. [7]Han Gao, Shaoyin Cheng, and Weiming Zhang. 2021. GDroid: Android malware detection and classification with graph convolutional network. Computers & Security, Elsevier 2021. [8]Yafei Wu, Jian Shi, Peicheng Wang, Dongrui Zeng, and Cong Sun. 2022. DeepCatra: Learning flow-and graph-based behaviors for Android malware detection. arXiv preprint arXiv: 2022(3) 2201.12876.

陕西省重点研发计划项目资助：“融合社交关系的深度协同过滤网络推荐方法研究”（No.2024GX-YBXM-545）。 西安财经大学2023年研究生创新基金项目：“基于大数据分析与集成学习的的恶意软件混合特征识别研究”（No23YC033）。 2024年大学生创新创业训练项目：“基于Android的恶意行为检测模型与方法”（No.S202411560109）。

DOI： https://doi.org/10.62639/sspis21.20250201

Published： 2025