[发明专利]一种基于机器学习的安卓恶意软件动态检测方法

摘要

本发明公开了一种基于机器学习的安卓恶意软件动态检测方法，步骤一，从不同来源收集两个样本库，分别组成恶意软件样本库和良性软件样本库；步骤二，将两个样本库中所有的基于安卓平台的应用软件依次安装到沙盒虚拟机环境中，作为待测应用，步骤三，依次运行待测应用，使用动态监测工具记录相应的strace日志；步骤四，对上述strace日志进行特征匹配提取；步骤五，训练好分类模型；步骤六，生成各个待测应用的对应的strace动态特征向量；步骤七，以strace动态特征向量作为分类模型的输入，对待测应用进行分类，做出恶意软件的判断。与现有技术相比，本发明的通用性强、适用范围广，并且取得了良好的准确率。

主权项

一种基于机器学习的安卓恶意软件动态检测方法，该方法包括以下步骤步骤一，从不同来源收集两个样本库，分别组成恶意软件样本库和良性软件样本库；步骤二，将两个样本库中所有的基于安卓平台的应用软件依次安装到沙盒虚拟机环境中，这些基于安卓平台的应用软件作为待测应用；步骤三，使用自动化脚本依次运行安装在沙盒虚拟机环境中的待测应用，并模拟常规操作，同时使用动态监测工具记录相应的strace日志；步骤四，对上述strace日志进行特征匹配提取，统计342种system call每个出现的次数，这样每个待测应用生成一个与之对应的342维的统计特征向量，再标定良性或恶意的类别；步骤五，使用机器学习算法，在上述342维的特征向量的特征集合上进行训练，得到可以对未知应用进行分类判别的分类模型；步骤六，生成各个待测应用的对应的strace动态特征向量，这里是一个由自然数组成的分别代表对应系统调用出现次数的342维的特征向量；步骤七，以strace动态特征向量作为分类模型的输入数据，将此输入数据作为训练数据，对每组训练数据定义一个明确的标识及对应的分类结果，将分类结果与分类模型标准比较，进而判断出待测样本是否是恶意软件的判断。