[发明专利]一种基于深度学习的Android平台恶意应用检测方法及装置

权利要求书

1.一种基于深度学习的Android平台恶意应用检测方法，其特征在于，包括：

步骤1，Android应用原始安装文件特征提取；

步骤2，Android应用安装运行特征提取；

步骤3，Android应用深度学习模型建立；

步骤4，Android的正常应用与恶意应用识别；

其中，步骤1包括：

步骤11，解压缩Android应用的原始安装文件，获取应用安装文件包含的若干代码文件；

步骤12，解析上述步骤获取的代码文件，获取Android应用的权限使用和API接口函数清单；

步骤13，搜索上述清单中的敏感权限使用和敏感API接口函数，提取多维特征组合。

2.如权利要求1所述的方法，其特征在于，所述步骤2具体包括如下处理：

步骤21，在沙盒中安装执行Android应用，并持续运行一段时间；

步骤22，扫描沙盒运行过程中生成的系统日志，获取Android应用运行中的行为信息；

步骤23；搜索上述获取的行为信息中的敏感行为，提取多维特征组合。

3.如权利要求1所述的方法，其特征在于，所述步骤3具体包括如下处理：

步骤31，通过获取的特征，生成Android应用的特征样本集合；

步骤32，通过上述获取的特征样本集合，训练Android应用分类的深度学习模型并保存。

4.如权利要求3所述的方法，其特征在于，步骤32具体包括如下处理：

步骤321，无监督的Android应用深度学习模型的预训练过程；

步骤322，有监督的Android应用深度学习模型的微调过程。

5.如权利要求4所述的方法，其特征在于，所述步骤321具体包括如下处理：

步骤3211，Android应用深度学习模型的深度置信网络(DBN)参数初始化；

步骤3212，将Android应用深度学习模型的受限玻尔兹曼机(RBM)参数初始化；

步骤3213，训练Android应用深度学习模型的RBM；

步骤3214，评估Android应用深度学习模型的RBM；

步骤3215，通过上述训练后的结果，重新更新Android应用深度学习模型中RBM的配置参数；

步骤3216，循环执行步骤3212至3215，直至Android应用深度学习模型的RBM满足条件或训练周期结束；

步骤3217，循环执行步骤3212至3216，直至完成包含多层RBM的Android应用深度学习模型的DBN训练。

6.如权利要求4所述的方法，其特征在于，所述步骤322进一步包括：

通过已采集的标记好正常应用和恶意应用的Android应用特征集合，采用反向传播算法微调步骤321训练完成的Android应用深度学习模型，直到满足条件或达到微调周期。

7.如权利要求1所述的方法，其特征在于，所述步骤4进一步包括：

对待检测的Android应用执行步骤1和步骤2，提取特征后导入步骤3已训练的Android应用深度学习模型，输出分类结果，标明是否属于Android恶意应用。

8.一种在线的自动化Android恶意应用检测装置，其特征在于，包括：

网站提交模块，提供用户上传待检测的Android应用的程序安装文件，并转存至后台Android应用深度学习模型检测；

检测模块，通过已训练的Android应用深度学习模型判断用户提交的Android应用是否为恶意应用，并返回结果；

网站反馈模块，反馈用户Android应用安全检测结果，并报告详细的Android应用行为信息；

日志模块，记录用户的Android应用提交信息和相关数据结果，存储于数据库。

9.如权利要求8所述的装置，其特征在于，所述检测模块进一步用于：

通过后台Android应用深度学习模型自动化分析和处理用户提交的Android应用，并将结果返回至前端界面。