Mobile network security

Application Sandbox

OMAPI vendor stable interface

APK signature scheme v2

APK signature scheme v3

APK signature scheme v3.1

APK signature scheme v4

Measure biometric security

Fingerprint HIDL

Face authentication HIDL

File-based encryption

Full-disk encryption

Metadata encryption

Enable Adiantum

Hardware-wrapped keys

Key and ID attestation

Version binding

Authorization tags

Download and build

Trusty API reference

Implement dm-verity

Verify system_other partition

Reference implementation

On-device signing

2G connectivity toggle

KeyMint functions

Policy compatibility

Use Verified Boot

APK signature scheme v3.2

Acknowledgements

Android Code Search

Android Devices

Secure an Android device

Android 16 QPR2

该条目来自 Android 安全公告（Android Security Bulletin）的 Compatibility Test Suite (CTS) 页面，发布日期为 2026-09-16。输入未提供正文摘要、CVE 编号、受影响产品版本或严重性评级。CTS 是 Android 兼容性测试套件，主要用于设备制造商在发布 Android 设备前验证系统实现是否符合 Android 兼容性定义，涵盖 API 行为、权限模型、系统应用、测试用例等，帮助确保应用在不同 Android 设备上具有一致运行环境。该页面本身更偏向官方文档或公告入口，说明 CTS 的用途、测试范围、获取与运行方式以及相关合规要求，而非披露某个具体漏洞。由于缺少具体安全公告内容，无法判断是否存在某个组件缺陷、攻击面、触发条件或补丁信息。值守方不应将该条目直接视为需要应急修复的漏洞；若后续同一来源发布具体 CVE 或安全补丁级别公告，应以官方公告为准。当前仅能确认来源权威，但技术细节不足，无法进行影响面评估、利用条件分析或修复优先级排序。

该条目标题为《Compatibility Definition Document (CDD)》，来源标注为 Android Security Bulletin，链接指向 source.android.com 的兼容性定义文档页面（/docs/compatibility/cdd）。需要首先明确的是：这不是一份漏洞安全公告，而是 Android 兼容性定义文档（CDD, Compatibility Definition Document）的入口页面。CDD 是 Google 发布的规范性技术文件，逐条规定设备厂商在硬件能力、系统 API 行为、权限模型、安全特性（如强制加密、SELinux 策略、密钥库、安全启动等）方面必须满足的要求，只有满足某一 Android 版本的 CDD 并通过兼容性测试套件（CTS）认证的设备，才有资格被判定为与该版本兼容并申请 Google 移动服务（GMS）。其目标读者是 OEM 厂商、ROM/定制系统开发者与认证测试团队，属于合规与工程规范范畴，而非漏洞通告。本次输入中未提供任何正文摘要或摘录，也未包含 CVE 编号、受影响产品与版本、严重性评级、参考链接、厂商修复说明或补丁级别信息，因此无法从中提炼出漏洞成因、攻击触发路径或实际安全影响。从防守方视角看，把该条目当作可处置的漏洞情报会导致误报，不应据此触发漏洞管理流程、资产排查或应急响应。更合理的处置是核对订阅源或聚合器为何将一份文档页面归入 Android 安全公告分类，并修正其分类映射，同时继续以官方月度 Android Security Bulletin 与厂商补丁级别作为漏洞修复优先级依据。

Release Details

Trade Federation

Security Test Suite

Getting Started

Kernel security

Implement security

Updates and resources

Software Defined Vehicle

In-vehicle Infotainment

Security reports

Supplemental security patches

本次输入并非一条真正的 Android 漏洞安全公告，而是 Android 开源项目（AOSP）官方文档站点 source.android.com 中 setup/reference 路径下的“工具、构建及相关参考”文档页（标题：Tools, build, and related reference）。该页面属于面向平台开发者与设备厂商的工程文档，内容定位是索引与说明 AOSP 的构建工具链与参考资料，例如源码获取与同步工具、构建系统与编译流程、镜像烧写与调试工具（fastboot、adb 等）的使用指引，以及相关的参考条目导航，其用途是帮助开发者完成 Android 平台的构建与集成，并非描述某个具体安全缺陷。输入中未提供正文摘要，cves 字段为空，vendors 仅标注为 Android Security Bulletin，products 未提供，severity 标注为 unknown，references 为空。需要说明的是，Android 安全公告（Android Security Bulletin）通常按月或按季度发布，正文一般会列出若干 CVE 编号、受影响组件（如 Framework、System、Kernel、Media Framework 等）、严重级别（Critical/High）以及对应的 AOSP 补丁链接。但本条输入仅抓取到公告站点下的一个静态参考页面，未携带任何 CVE 编号、组件名称、漏洞成因、触发条件或影响面信息。因此无法判断是否存在权限提升、信息泄露、拒绝服务或远程代码执行等具体问题，也无法推断攻击者的触发路径与实际影响范围，更不存在可用于评估在野利用情况的依据。从防守视角看，该条目的实质价值在于提示安全情报采集与订阅流程存在误抓取：把厂商站点的文档/参考页当成安全公告入库，会稀释告警信噪比并消耗应急响应资源。它本身不构成需要应急处置的漏洞情报，也不应据此对任何 Android 设备下发修复或隔离动作。

本次输入来自 Android 官方安全公告站点（source.android.com）中标题为“Latest Compatibility Definition Document (CDD)”的页面，发布时间为 2026-09-16。该页面是 Android 兼容性定义文档（Compatibility Definition Document，CDD）的最新版本入口，而不是一份针对具体漏洞的安全公告。CDD 是 Android 生态中用于界定“什么是兼容 Android 设备”的规范性技术文档，详细列出设备制造商（OEM）在实现 Android 平台时必须满足的软硬件与 API 行为要求，例如必须实现的 API、必须保留的系统行为、权限模型、安全相关约束（如 SELinux 强制模式、密钥库、Verified Boot 等）以及可选项与不可偏离项。通过 CDD 与配套的 CTS（兼容性测试套件）测试，Google 才能授权设备使用 Android 商标与 Google 移动服务（GMS）。因此该页面的实质是文档/合规规范的版本更新说明，属于平台治理与生态准入层面的内容，本身不描述任何可被攻击者触发的软件缺陷、不涉及具体的受影响组件版本、也不包含 CVE 编号。输入中未提供正文摘要、受影响产品清单、CVE、参考链接与严重性评级，严重性标记为 unknown。对防守方而言，这类页面通常用于确认当前 Android 版本对设备厂商的强制安全要求基线是否发生变化（例如新增的必须项可能推动 OEM 在系统镜像、内核配置、安全启动或权限隔离方面做出调整），进而影响企业移动设备管理与合规基线；但它不构成需要立即应急响应的漏洞情报。由于本次输入缺少 CDD 正文内容，无法判断相较上一版本具体新增、删除或收紧了哪些条款，也无法据此推断对终端安全态势的直接影响，建议直接访问官方页面获取完整条款后再做评估。

本次输入为 Android 官方安全公告（Android Security Bulletin）的“Latest security bulletins”聚合索引页面，来源为 source.android.com，标注发布时间为 2026-09-16。该页面本身是 Android 月度安全公告的入口/汇总页，通常按月发布，集中列出当月修复的框架层（Framework）、系统层（System）、内核与驱动（Kernel / Vendor）、以及芯片厂商（如高通、联发科、三星等）组件的安全补丁，并将漏洞按严重级别（Critical / High / Moderate）与影响组件分类。每条公告一般包含 CVE 编号、受影响组件、漏洞类型（如权限提升、信息泄露、远程代码执行）以及对应的 AOSP 补丁链接与厂商补丁级别（Security Patch Level）。本次输入仅提供标题与链接，正文摘要为空，未包含任何具体 CVE 编号、受影响产品版本、漏洞描述、严重级别判定或参考链接，因此无法据此判断具体影响范围与利用条件。对防守方而言，这类页面的价值在于获取当月 Android 设备需要达到的补丁级别（如 2026-09-01 / 2026-09-05），并据此驱动移动终端（手机、平板、Android TV、车机、加固终端、AOSP 定制设备）的补丁合规与版本核查工作。在缺少正文数据的情况下，本条目只能作为“补丁发布信号”对待，需回溯原始公告页面获取可操作细节。

本文聚焦智能手机上普遍存在的"开屏广告"（splash ads）——即用户启动 App 时第一时间弹出的全屏广告页。这类广告常借助隐蔽的触发机制（例如轻微晃动手机、误触）把用户重定向到以营利为目的的第三方页面，用户在不知情的情况下被"带走"。论文指出其现实危害已经得到记录：可能显著拖延紧急情况下的响应操作、分散驾驶员注意力、并降低视障用户对 App 的可用性。 研究的核心问题有两个：一是已有的广告防御方案是否适用于开屏广告；二是普通用户在部署这些方案时会遇到哪些门槛。为此，作者系统梳理并分析了 108 个有公开文档记录的广告防御实现，归纳其分类特征，并逐项考察其对开屏广告的适用性与部署前提。分析发现部署障碍相当突出：不少方案要求设备 root 或越狱、进行运行时代码注入、或直接修改目标应用；即使避开了这些要求，方案往往仍需要额外权限、持续维护规则、自行编译源码或付费购买。 在实证部分，作者对 11 款工具、13 种配置、10 款流行 App 进行了评估。结果是：只有一款工具在全部 10 款 App 上都成功阻止了目标广告触发的页面跳转，而且它依赖无障碍（Accessibility）权限，并且广告仍会先显示约一秒才被关闭。其余被测配置要么完全无法阻止跳转，要么导致宿主 App 无法启动、或卡死在广告页上。论文最后讨论了尚未解决的挑战与可能的研究方向，强调迫切需要推动智能手机厂商提供更友好、更受规范的平台环境。适合移动安全研究者、App 开发与打包方、无障碍与隐私研究者以及平台治理和监管相关读者阅读。

该论文聚焦物联网（IoT）领域一个长期被忽视但规模庞大的问题：厂商停止支持后仍在用户手机上运行、并持续与 IoT 设备交互的“伴侣 App”。作者将这类应用定义为 "IoT abandonware"（物联网弃置软件），并声称这是首个针对已停更 App 安全风险的大规模测量研究。研究的数据集是截至 2025 年 3 月已至少两年未更新或已停止服务的 61,500 个 Android 端 IoT 伴侣应用。方法上，作者对反编译后的二进制文件提取“潜伏与内嵌资源”，包括打包进 APK 的第三方库、硬编码域名和权限声明，并据此评估安全影响。分析分为两条主线：第一，识别出已被弃置后仍有新披露 CVE 的过时依赖组件，以及可能被域名接管（domain takeover）或被用于数据外泄的端点；第二，基于所提取权限推断敏感数据，做静态数据流分析，追踪这些数据如何流向已失效或可被劫持的外部端点。核心发现是：厂商失去控制权很久之后，持久化的分析 SDK 与第三方追踪器仍在持续汇聚用户数据和设备遥测，形成攻击者可重定向或滥用的数据流。整体上，作者在 73.6% 的样本中识别出安全风险，安装量排名前 1000 的应用中有 30 个仍在向已损坏（broken）的外部端点发送数据。该研究的意义在于把“软件供应链弃置”这一议题从桌面/服务端延伸到了 IoT 移动生态，量化了弃置 App 带来的远程利用、未授权设备访问与长期数据滥用风险，并给出了依赖、域名、权限与数据流四个可操作的观测维度。

本文研究移动端开屏广告（splash ads，即 App 启动时展示的全屏广告）生态中的新型欺诈行为。该场景的特殊性在于：广告变现依赖"交互信号"（点击、触摸、传感器回调等），而这些信号在端到端链路上难以被广告主独立验证；同时，误触、设备晃动、传感器自动回调等"非广告交互"极为常见，却极易被错误归因为用户主动参与。已有研究大多把移动广告欺诈视为发布者（publisher）侧问题，或把欺诈归因于第三方嵌入的广告库，但作者指出一个被忽视的关键风险点：广告 SDK 掌握着交互信号的解释权、度量方式与上报口径，因此存在把模糊的用户/设备信号"重新解释"为有效广告交互的空间。基于此，作者提出并命名了一种此前鲜为人知的广告网络层欺诈——semi-drive-by splash ads（半被动/半驱赶式开屏广告），即开屏广告并非由用户有意行为触发，而是由附带性或间接性交互触发；广告网络借此把非广告交互转化为可计费的参与事件，从而虚增绩效指标、向广告主超额收费并侵蚀用户信任。为在真实环境中捕获该行为，作者设计了 AdHive：一个类蜜罐的自动化分析框架，能够在贴近真实的设备条件下诱导出具有规避性的开屏广告投放与落地页行为；该框架利用大模型生成的使用轨迹与传感器动态来复现类人活动，从而激活在常规分析环境中被隐藏的执行路径。作者面向数千款流行 Android 应用开展大规模测量，结果显示半被动开屏广告广泛存在，且常由细微的传感器波动等隐蔽信号触发。研究进一步通过与国内某大型广告主合作验证了真实影响：识别出多家存在此类欺诈行为的广告网络，并促成约 400 万元人民币（约 60 万美元）的强制赔付。整体而言，该工作从测量方法、欺诈分类与产业落地三个层面推进了移动广告欺诈研究，适合移动安全、广告风控与品牌安全方向的读者。

GPU syscall filtering

本文研究移动广告网络中点击欺诈（click fraud）的一种新型变体，称之为“人形攻击”（humanoid attack）。点击欺诈利用按点击付费（pay-per-click）机制，通过自动化或伪造方式产生虚假点击，给广告主造成巨大经济损失。已有检测方案大多基于动态分析，通过统计点击流量或行为模式识别异常。但本文指出，人形攻击能够生成与正常点击高度相似的模式，从而规避基于模式匹配的现有检测机制。为应对这一挑战，作者提出了名为 ClickScanner 的检测工具，专门面向 Android 应用进行静态分析，并采用变分自编码器（VAE）构建仅基于良性样本训练的分类模型。该方法的设计动机在于：现实中恶意点击样本难以获取，因此采用无监督/单类学习思路。ClickScanner 首先通过静态分析在字节码层面提取关键特征，构建数据依赖图（DDG），然后基于新定义的特征向量描述应用内疑似人形攻击的行为模式。实验验证了该工具在检测准确性方面具有有效性，能够在不依赖已知攻击样本的前提下识别出人形攻击。本文的主要贡献包括：首次系统性地识别并命名“人形攻击”这一点击欺诈形态；提出字节码级特征与DDG相结合的特征提取方案；构建仅用良性数据训练的VAE检测模型；实现ClickScanner工具并在真实Android应用上验证可行性。适合移动安全、广告反欺诈、恶意应用检测领域的研究人员和蓝队工程师阅读，以了解新型点击欺诈的检测思路。

恶意软件检测技术通过对恶意软件语义进行深度分析获得了巨大成功。在已有检测技术中，基于函数调用图（FCG）的方法因为能直观刻画恶意软件的功能特性而表现出良好的检测性能。与此同时，近年来的对抗性攻击研究不仅通过只扰动特征向量来迷惑分类器（即特征空间攻击），也开始注重如何生成真实可逃避检测的恶意样本（即问题空间攻击）。然而，现有的问题空间攻击往往存在特征空间与问题空间之间转化不一致的缺陷，即修改后的特征表示无法在真实程序结构中同步得到合理对应，导致攻击效果受限。针对该问题，本篇论文（标题为“Structural Attack against Graph Based Android Malware Detection”）提出了一种针对基于图的Android恶意软件检测的结构性攻击思路，核心思想可能在函数调用图等图结构层面引入可控扰动，使图结构的改变与恶意功能的保持保持一致，从而生成能够绕过基于图神经网络的检测器的恶意样本。但需要说明，由于本信息仅来源于论文摘要，摘要中并未给出具体的攻击实现细节、防御对策或实验数据，因此上述关于“提出方法”的表述是基于标题与问题背景的合理推断。读者若需掌握具体技术路线，应进一步阅读论文全文。

本文针对广泛部署于数十亿设备上的闭源数字版权管理（DRM）系统 Widevine 展开内部机制研究，重点聚焦 Android 平台。研究动机在于：随着 Netflix、Prime Video 等 OTT（Over-the-Top）平台内容消费的普及，DRM 系统常运行在不可信主机环境中，其安全性直接影响内容保护的有效性。作者首先对 Android 版 Widevine 进行逆向与结构映射，梳理出其核心组件以及参与内容解密流程的多种密码学密钥，并以“协议+密钥阶梯”的形式给出了 Widevine 的完整结构化视图。基于这一理解，作者开发了名为 WideXtractor 的 Frida 工具，用于跟踪 Widevine 函数调用并拦截消息以供分析。作为概念验证，作者利用 WideXtractor 分析了 Netflix 对 Widevine 的使用，进而提出用户追踪方面的隐私担忧。此外，作者还利用其逆向知识绕过了 Android Widevine 纯软件版本（L3）的混淆保护，恢复了其信任根（Root-of-Trust）。该工作揭示了 Widevine 在真实设备上的运行细节，为安全社区理解 DRM 内部结构提供了系统化方法，同时也暴露了可能影响内容保护的潜在弱点。适合 DRM 安全研究者、移动平台安全工程师、内容保护产品评估人员以及关注 OTT 平台用户隐私的从业者阅读。

本文提出了一种名为 Moirae 的多模态智能体协作框架，用于动态 Android 恶意软件检测。针对现有机器学习检测器容易受到概念漂移影响的问题（因为依赖随时间变化的实现特定特征），以及当前基于大语言模型（LLM）的检测器通常仅依赖代码或单维度证据、易受混淆和难以全面分析行为的问题，Moirae 通过动态收集多模态运行时证据，并采用基于 ReAct 的专门智能体来分析视觉、UI 状态转换及运行时 API 行为等互补视图。检测流程首先识别视觉欺骗线索，然后建模 UI 状态转换，最后集成运行时 API 行为，从而融合用户可见界面和隐藏后端操作的多维度证据。在时间和分布上不可见的数据集上，Moirae 无需微调即可达到 90.06% 的准确率，优于现有基线，并展现出卓越的零样本泛化能力，能够有效抵御 Android 恶意软件概念漂移。该研究为结合多模态行为分析和智能体协作的移动安全检测提供了新思路。

本文针对 Fitbit Versa 智能手表开展数字取证分析，聚焦 Android 与 iOS 平台下的数据提取能力对比。Fitbit Versa 是 Fitbit 系列中最受欢迎的型号，其在健身追踪、健康监测和日常使用中积累了大量个人数据，这些数据正越来越多地被用作刑事案件的证据。然而，针对可穿戴设备的取证研究仍然有限，尤其是缺乏对证据识别和提取方法的系统性探索。作者使用业界常用的移动取证工具 Cellebrite UFED 和 MSAB XRY，在搭载 Android 9 和 iOS 12 的设备上对 Fitbit Versa 分别进行逻辑提取和物理提取，系统比较了两种工具在不同平台下的数据恢复能力。论文详细讨论了可恢复的数据库和数据类型，包括应用数据、健康记录、位置信息、消息等，并对比了不同提取与分析技术的覆盖范围，为调查人员提供了数据可用性的全面视图。此外，作者通过设计测试实例，将实际记录数据与计划数据进行比对，验证了各数据类型的准确性。结果表明，某些数据类型（如步数、心率、睡眠记录等）具有高度可验证的准确性，这些数据在司法鉴定过程中可作为可靠证据。该研究为可穿戴设备取证提供了清晰的调查范围和数据重要性评估，填补了 Fitbit 设备取证研究的部分空白，对数字取证调查员、司法鉴定人员和执法机构具有参考价值。

本文提出 MobileWorldSafety，一个专门用于评估 Android 图形用户界面（GUI）智能体在环境注入攻击下安全性的基准测试。随着大语言模型（LLM）驱动的 GUI 智能体从研究原型走向真实部署，它们需要处理大量不可信的外部环境内容，因此极易受到环境注入攻击（包括间接提示注入和对抗性指令）的影响。这类攻击可以通过日常移动使用中的多种渠道操纵智能体行为，而用户往往毫不知情。然而，现有基准大多未能覆盖真实用户场景，也缺乏对移动设备上 GUI 智能体在环境注入攻击下的系统化评估。为了填补这一空白，作者构建了基于真实 Android 应用的 142 个风险任务，并为每个任务定义了可编程验证的风险指标，最终通过两阶段流水线判定结果：规则验证处理明确情况，LLM 裁判裁决模糊情况，从而将安全失败与能力失败区分开，保证评估的客观性和可复现性。研究评估了六个智能体（包括通用智能体和专用 GUI 智能体），结果显示所有智能体都高度脆弱，攻击成功率从 40.4% 到 66.9% 不等。这表明当前智能体在对抗性内容以普通移动上下文呈现时，往往无法保持安全对齐。MobileWorldSafety 为量化这些漏洞和推进鲁棒移动 GUI 智能体研究提供了基础。本文适合移动 AI 安全、LLM Agent 安全、GUI 自动化测试以及移动应用安全领域的研究人员和工程师阅读。

本文是一篇关于 Android 应用中第三方追踪（third-party tracking）与用户同意（consent）机制的实证研究。研究背景是：第三方追踪允许企业收集用户行为数据、跨设备追踪用户活动，可能将用户私生活的深度洞察暴露给陌生方，且通常发生在用户不知情或未明确同意的情况下。欧盟和英国的数据保护法要求，在访问和存储用户设备信息以及处理第三方追踪所涉及的个人数据时，必须获得用户同意。然而，实际中许多应用并未遵守这一要求。本文通过两个层面的分析来调查同意机制的落实情况。第一，对 Google Play Store 中有代表性的应用样本进行分析，发现大多数应用都进行第三方追踪，但很少在追踪前获得用户同意，暗示可能存在大范围违反欧盟和英国隐私法的行为。第二，详细审视最常见的第三方追踪库，发现虽然多数库承认依赖应用开发者代表其获取同意，但通常没有建立强有力的保障机制：同意要求的披露有限；缺乏默认的同意实现；合规指引难以找到、难以阅读且维护不良。研究方法结合了法律分析、大规模应用样本统计和代码级追踪库审查。主要贡献包括：系统性地揭示了 Android 生态中第三方追踪同意机制的普遍缺失；为监管机构和应用开发者提供了合规改进的具体方向；强调了追踪库在同意环节中的责任缺位。适合隐私研究人员、Android 应用开发者、合规人员以及关注数据保护的律师阅读。

本文研究了Android系统服务中Binder机制的安全问题。Binder是Android应用访问系统服务的核心进程间通信机制，其设计采用客户端-服务器角色模型，通常将系统服务视为服务器、应用视为客户端。然而，越来越多的场景要求系统服务充当Binder客户端，向可能由应用实例化的Binder服务器发起查询。利用这种角色反转的可能性，作者提出了Binder事务重定向（BiTRe）攻击：攻击者诱导系统服务与一个定制的Binder服务器进行事务交互，然后从Binder服务器这一通常缺乏防护的方向发起攻击。作者通过枚举BiTRe中可利用的Binder接口来展示攻击面的规模，发现攻击面随Android版本更新而扩大；在Android 11中，超过70%的Binder接口受到影响或可用于BiTRe。为了证明攻击的可行性，作者构建了一个原型系统，能够自动生成可执行程序以覆盖大部分攻击面，并识别出一系列漏洞，这些漏洞已被Google确认并分配了十个CVE编号。该研究揭示了Android系统服务中因角色反转而引入的盲区，为系统服务安全设计和防护提供了新的视角。适合系统安全研究人员、Android平台开发者以及移动安全防御者阅读。

本论文的摘要未在元数据中提供，因此以下内容基于论文标题和已知研究背景进行合理推断。HyTrack 提出了一种跨 Android 应用与 Web 浏览器的持久化跟踪技术，其核心目标是解决用户清除本地标识符（如 Cookie、设备 ID）后跟踪中断的问题。该技术可能利用应用与 Web 服务之间的共享存储（如 SharedPreferences、Web Storage）、同步机制或网络侧信道，在清除一方标识后，通过另一方重新建立用户关联，从而实现“可复活”的弹性跟踪。论文可能详细描述了 HyTrack 的架构设计，包括跨环境状态协调、标识符重建算法以及隐蔽通信手段，并通过实验验证其在主流 Android 应用和浏览器组合中的有效性和持久性，同时评估其对现有隐私保护机制（如 ITP、Cookie 清除）的绕过能力。研究贡献在于首次系统化展示了跨应用与 Web 的持久跟踪实现路径，对隐私保护研究和移动安全防御具有重要参考价值。适合移动安全、隐私保护、威胁情报等领域的研究人员阅读，以理解此类跨平台跟踪的攻击面与防御缺口。

随着智能设备（如智能手机和平板电脑）的普及，移动应用生态蓬勃发展，但恶意软件也日益猖獗。尽管官方应用商店要求应用在上架前通过恶意软件筛查，许多恶意应用仍能通过隐藏复杂变种绕过检测，且其恶意行为往往仅在运行时触发，传统的静态分析难以识别，导致恶意软件可能在安装后才被察觉，进而对用户和设备造成不可逆的损害。针对这一问题，本文提出了一种名为 ShielDroid 的实时 Android 恶意软件检测框架，采用混合动态分析技术，通过分析应用运行时的行为来准确识别和分类复杂恶意软件。研究流程包括：首先对收集的数据集进行预处理和过滤，然后使用多种机器学习算法对应用进行分类，并对不同分类技术在检测准确率和执行时间方面进行了综合性能评估。实验结果表明，将随机森林（Random Forest）与多层感知机（Multilayer Perceptron）结合的混合模型取得了最佳综合性能，准确率达到 97.5%，执行时间为 22.945 秒。该框架能够提升移动设备安全防护能力，通过及时检测恶意应用降低网络攻击风险。本文的主要贡献在于提出了一个结合传统机器学习与深度学习的混合动态检测方案，并在实际数据集上验证了其有效性，为移动端恶意软件检测提供了新的思路。适合移动安全研究人员、SOC 分析师及移动应用安全工程师阅读。

本论文聚焦于Android平台上的状态推断攻击（state inference attacks），这类攻击旨在确定其他应用程序的当前状态，并与UI欺骗（UI Spoofing）技术相结合，构成严重的钓鱼攻击威胁。论文核心研究如何防止和检测此类状态推断攻击。攻击者通常会伪装成合法应用的用户界面，诱导用户输入敏感信息，而状态推断则用于在更精确的时机发起攻击或提高说服力。由于仅获得摘要，具体方法细节和实验验证尚不明确，但可推测论文提出了某种防御机制或检测方案，可能涉及应用状态隔离、UI真实性验证、运行时行为监控等维度。该研究对移动安全领域具有重要意义，为蓝队和SOC团队理解此类威胁并提供潜在的防护思路。

FSAFlow 是一种用于 Android 隐私保护的新型混合污点跟踪与控制系统，旨在解决动态污点分析（DTA）在资源受限的 Android 系统上性能开销过大的问题。传统 DTA 原型虽然有效，但因性能瓶颈难以在生产环境中部署。近年来，研究者尝试将污点跟踪逻辑与程序执行解耦以降低开销，FSAFlow 延续这一方向，进一步将路径跟踪逻辑与污点跟踪逻辑分离，并优化信息流路径控制。其主要方法包括：首先，修改经典静态分析算法以搜索目标路径及其关键分支信息；然后，选择可能违反用户预定义隐私保护策略的潜在路径，并用有限状态自动机（FSA）进行编码；接着，在程序中相应位置插入少量基于 FSA 的状态管理代码；最后，在运行时监控程序路径执行状态，阻止信息泄露。理论分析证明了 FSAFlow 的效率和正确性。实验结果显示，FSAFlow 的开销低于多种代表性 DTA 优化方法：在流行应用上仅为 2.06%，在 CaffeineMark 3.0 上为 5.41%。在隐式流跟踪方面，FSAFlow 的假阴性少于 Android DTA 平台 TaintDroid，并且通过验证运行时未实际执行的路径以及在循环体完整执行阶段的跟踪，实现了比静态分析工具 FlowDroid 更高的精度。

MTE bootloader support

本文对Android OEM定制化进行了首次纵向研究。研究团队构建了包含2907个ROM的数据集，覆盖42个不同厂商，跨越Android 1.6至9.0版本（2009-2020年）。他们开发了一个分析框架和流水线，用于提取每个ROM的定制层，并从多个维度评估其合规性和安全性。具体分析了二进制文件安全加固、SELinux策略、Android init脚本、内核安全加固技术等方面。令人担忧的是，他们发现2907个ROM中有579个（约20%）至少存在一项与其Android版本相关的CDD违规，其中甚至包括11个由Google自家品牌推出的ROM。某些厂商故意绕过或注释掉Android安全团队添加的安全网，例如修改init脚本以root权限启动存在已知漏洞（有公开CVE和PoC）的旧版本程序（如tcpdump），且可被远程攻击者访问。研究表明Google的努力仍不足，并提出了改进合规检查流程的建议。本文适合安全研究人员、Android设备厂商、以及关注移动生态安全的工程师阅读。

CRYLOGGER是一款开源动态检测加密算法滥用工具，旨在解决开发者在调用加密API时可能出现的错误使用问题，如使用固定密钥或弱密码。该工具通过在程序运行时记录传递给加密API的参数，然后离线对照加密规则列表检查参数的合法性，从而发现滥用行为。研究者将CRYLOGGER与静态检测工具CryptoGuard进行了对比，发现两者互补，结合使用效果更佳。通过对Google Play商店下载的1780个热门Android应用进行动态分析，CRYLOGGER成功检测出大量加密滥用问题。研究者进一步对28个Android应用进行逆向工程，验证了CRYLOGGER标记的问题，并将最关键的漏洞披露给应用开发者并收集反馈。论文的主要贡献在于提出并实现了一种动态检测加密滥用的方法，补充了现有静态工具的不足，并在大规模真实应用上验证了有效性。

该论文针对Android恶意软件检测问题，指出现有方法基于表面信号（如学习特征或代码片段）进行检测，容易产生误报和漏报，因为偏离代理信号并不等同于恶意。作者提出行为导向的检测方法，并实现系统Praxis。Praxis采用假设-确认-判断流水线：首先从粗粒度静态信号假设候选行为，然后通过程序分析验证代码证据来确认行为，最后在上下文中判断确认的行为是否真正恶意（考虑用户意识、应用功能上下文以及它们如何组合成攻击）。对于恶意应用，Praxis返回判决和支持的行为。实验在三个挑战性场景下与七种基线方法对比，整体F1达到87.4%，比基线提高18.6-34.8个百分点；在高权限良性应用上，误报率降至13.0%，比基线降低41.1-67.0个百分点；在细粒度恶意行为恢复上，F1达到87.3%，比先前行为级方法提高56.5-73.4个百分点。消融实验证明各阶段均有贡献。

本文针对移动应用在不同地理区域间代码级安全与隐私差异（GFD）进行了首次系统研究。虽然已有工作关注元数据级别（如权限、隐私政策）的区域差异，但代码实现层面的差异缺乏深入分析。作者开发了名为Freelens的框架，解决了代码混淆和分析可扩展性等关键挑战，能够自动识别并表征跨区域的安全相关代码变化。基于该框架，作者对分布在十个不同互联网自由程度国家的21,120个Android应用进行了大规模实证研究。研究发现：广告库、数据处理逻辑和认证机制等存在显著的区域差异，这些差异经常破坏安全基线，并导致隐私保护水平不均衡。研究还揭示了GFD现象的上升趋势，强调了制定统一隐私安全标准的紧迫性。最后，作者为开发者、平台提供商和监管机构提供了可操作的建议，以促进用户权益的公平保护。

本文针对安卓应用中恶意软件通过应用推广广告（app promotion ads）分发的新趋势，提出了一种名为ADGPE（App promotion ad Detection via Graph learning and UI Exploration）的自动化检测与解释方法。研究背景是：应用开发者常嵌入推广其他应用的广告，但广告内容审核不足，导致恶意开发者利用这些广告作为恶意软件的新分发渠道。核心问题是如何自动收集应用推广广告、检测其中推广的恶意软件，并解释恶意软件采用的推广机制。方法上，ADGPE协同整合了应用用户界面（UI）探索与图学习技术：首先通过UI探索自动收集应用内的推广广告，构建应用推广图（App Promotion Graph）；然后利用图神经网络（GNN）对节点（应用）进行分类，检测恶意软件；最后通过路径推断模型揭示恶意软件的推广机制。实验基于18,627个应用推广广告数据，结果表明：从应用推广广告下载应用时遇到恶意软件的概率比Google Play高出数百倍；主流广告网络（如Google AdMob、Unity Ads、Applovin）被恶意开发者利用来传播各种恶意软件，包括激进广告软件、流氓安全软件、木马和勒索软件。UI探索技术相比现有方法在相同时间内多发现24%的推广广告。恶意软件检测模型在F1分数上比现有最佳技术提升5.17%（从90.14%提升至95.31%），并检测到28个最初被VirusTotal标记为良性但六个月后被标记为恶意/潜在有害应用（PUA）的应用。路径推断模型揭示了两种恶意软件推广机制：通过硬编码广告的自定义广告推广，以及通过与广告服务器（如AdMob和Applovin）交互的广告库推广。这些发现揭示了应用推广广告的关键安全风险，并证明了ADGPE结合动态程序分析与图学习在研究应用推广广告恶意软件分发方面的有效性。

该论文针对Android应用中第三方追踪的同意通知机制及其对欧盟《通用数据保护条例》（GDPR）的合规性进行了系统性研究。作者通过大规模静态和动态分析，检测了付费及免费Android应用中嵌入的第三方追踪库，并评估了这些应用在收集用户数据前是否获得了用户的有效同意。研究发现，大量应用在用户未明确同意的情况下即开始追踪，或同意通知的设计违反了GDPR的明确性和自由给予原则。论文的重点贡献包括：构建了一套自动化的同意通知检测框架，识别了多种常见的违规模式（如预设同意、缺乏撤销选项、通知过于隐蔽等），并对不同类别应用的风险等级进行了量化。该研究为移动应用开发者、隐私合规工程师以及监管机构提供了实证依据和实践指导。

本文针对GDPR实施后Android手机中用户不可重置标识符（如IMEI、IMSI、MAC地址等）的保护机制进行了系统性的威胁狩猎研究。研究背景是GDPR要求设备制造商强化隐私保护，Android系统在多个版本中引入了诸如权限控制（READ_PHONE_STATE限制）、标识符随机化（如随机MAC地址）以及对IMEI等敏感标识符的访问管控。然而，这些措施的实际有效性和残留风险尚未得到充分评估。作者通过大规模实验，在多种主流品牌和Android版本的设备上，采用静态代码分析、动态运行时监控以及基于硬件/模拟器的自动化测试，评估了操作系统层面防护措施的有效性。实验发现，即便在最新版本中，仍存在多种规避保护的方法：例如，通过复合多个半标识符（如广告ID、设备名称、网络信息等）进行用户重识别；利用时间相关性攻击，在不同时间窗口捕获看似随机变化的标识符，通过关联模式追踪用户行为；以及通过系统服务通信中的隐蔽通道间接获取标识符。此外，作者提出了一种名为“Inception Attack”的新型攻击思路，通过篡改系统服务响应或模拟合法请求，诱导系统绕过权限检查并泄露受保护标识符。研究揭示了当前Android保护机制在应对组合攻击和隐蔽通道方面存在的不足，并量化了不同品牌/版本下的风险暴露程度。最后，作者基于发现给出了多项加固建议，包括强化权限审计、增加标识符使用透明度、以及引入基于行为的异常检测。

本文系统评估了Android内存取证的可行性——该技术可恢复从未写入磁盘的证据，如解密消息、会话凭证和应用程序的实时内部状态。现有取证工具依赖嵌入在libart.so（Android运行时库）中的调试符号来定位数据结构并解释其布局。然而，随着Google在最近几个版本中为加强安全而大幅剥离消费者手机二进制文件中的此类信息，实际设备（生产构建）与研究人员使用的开发构建（未剥离符号）之间的差异尚未被系统量化。本文提取了Pixel工厂镜像中Android 8至Android 15的二进制文件，测量了符号剥离的进展：静态符号从20495降为零，动态符号减少约60%，源文件引用完全消失。Android 15二进制中的一个压缩回退节恢复了数千个函数名，但未包含结构布局。通过源代码审查和Android 8与15的内存映射对比，发现堆空间、垃圾收集器基础设施和分配位图在结构上保持完整，可见变化仅限于命名和算术优化。在已root且完全剥离符号的Pixel 7上进行的实时验证表明，运行时入口点仍可通过动态符号表定位，且从版本匹配的开发构建中提取的结构偏移量在生产内存中解析为有效指针。结论：尽管安全加固大幅削弱了传统调试符号，但底层内存架构基本保留，取证仍可能通过其他方法（如动态符号表）进行，但需要适配不同版本。

Understand MTE reports

MTE configuration

AddressSanitizer

Design guidelines

本文提出 SafeGuard，一种轻量级的三层客户端-服务器架构，用于实时端点威胁检测与响应，特别面向资源受限的中小型组织。系统由三部分组成：基于 Flutter 并扩展 Kotlin 以获取 Android 系统访问权限的端点代理、基于 Node.js 的中央服务器（负责设备认证和协调安全通信）、以及管理仪表盘（用于实时监控和远程操作，如锁定设备、删除应用、发送警告通知）。威胁检测采用基于签名库的匹配方法，优先保证低计算开销、可解释性和易部署性，而非通用异常检测。通信安全通过 TLS 上的 WebSocket (WSS)、JSON Web Token (JWT) 认证和基于 HMAC 的消息完整性验证实现。评估包括单元测试、集成测试、系统测试、负载测试和初步安全测试。在模拟 50 个并发端点的场景下，平均命令分发延迟约 1.5 秒，负载下不超过 2 秒；无效认证令牌被拒绝，手动 SQL 注入和重放攻击尝试均未成功。结果表明，开源技术栈可以在无需商业许可费用的情况下提供实时端点可见性和协调管理响应。当前局限包括依赖静态威胁签名、仅针对 Android 实现，以及仅在受控环境中评估。本文贡献主要为架构设计和实验验证，而非算法创新。

该论文提出了一种名为 Malaika 的多智能体框架，用于解决恶意软件理解中的核心挑战：如何在部分可观测性下，从稀疏、分散的代码证据中重建高级恶意行为，并与良性功能区分。作者将恶意软件理解形式化为一个基于证据的推理问题，并主张可靠的行为重建需要三种互补的接地：领域接地（约束假设生成与评估）、语义接地（定位并连接程序证据）、知识接地（通过外部可验证威胁知识支持行为归因）。Malaika 框架通过模拟分析师的推理过程、工具辅助的证据定位和基于检索的行为归因来实现这三种机制，并在 Android 恶意软件分析任务上进行了评估。结果显示，Malaika 在分析质量上优于先前的基于 LLM 的恶意软件分析框架，并表明可靠性不仅依赖于模型能力，还依赖于推理过程。与恶意软件分析系统和前沿智能体框架的对比表明，接地感知推理能产生更精确、可审计的结论。消融研究进一步支持了接地假设。该工作为可靠恶意软件理解提供了原则性基础，并更广泛地适用于基于证据的软件分析。

本文是首个大规模研究 Chrome 在 Android 设备上对权限提示进行“静默”（quieting）机制的工作。Chrome 发现频繁的权限提示会导致用户产生厌烦并倾向于拒绝，从而降低授权率。为此，Chrome 引入了一种保护机制：当用户反复拒绝通知权限提示时，系统会自动降低后续提示的干扰程度（例如以更安静的方式显示）。本文基于两年间来自 Chrome on Android 设备的数千亿次权限提示数据，分析了对通知、地理位置、麦克风和摄像头四种权限类型的静默效果。研究发现，静默机制在显著降低用户拒绝率的同时，并未对授权率产生负面影响。这表明该机制有效改善了用户体验和权限获取的平衡。作者还探讨了用户对不同权限类型静默的反应差异，为设计更合理、更友好的权限系统提供了实证依据。

该论文研究了Android设备中基于功率的侧信道攻击。现代计算机系统面临软件功率侧信道攻击的威胁，攻击者可以通过分析功耗变化窃取敏感信息。以往攻击如PLATYPUS依赖专用接口的直接功率信号，Hertzbleed则利用功率相关的时序变化。但随着平台对直接功率信号的访问限制，探索其他功率相关信号变得重要。本文发现Android移动设备通过传感器框架暴露了多种功率相关信号，这些信号反映了功耗的寄生影响。作者系统分析了多个设备上Android传感器框架中非特权传感器，识别出新的泄露原语：地磁旋转矢量传感器的旋转依赖功率泄露。通过对比地面真值，部分传感器的相关性超过0.9。极端情况下，CPU压力可使指南针指针偏转约30度。论文通过两个案例研究评估了泄露原语：远程攻击者通过Google Chrome浏览器、本地攻击者通过安装的App。特别地，作者实现了端到端的像素窃取攻击，以每像素5-10秒的速率绕过浏览器的跨源隔离。此外，利用新泄露原语展示概念验证的AES攻击，泄露单个密钥字节。论文揭示了Android传感器框架的安全风险，为防御者提供了新的关注点。

本论文《DARKFLEECE: Probing the Dark Side of Android Subscription Apps》聚焦于Android平台上的订阅型应用（subscription apps）中的安全与欺诈问题。研究者提出了一种名为DARKFLEECE的系统化分析框架，旨在探测这些应用中的恶意行为，例如未经授权的订阅扣费、虚假宣传、隐蔽收费等。论文首先对Google Play商店中大量订阅应用进行了大规模静态和动态分析，识别出多种欺诈模式。核心方法包括：基于图论的订阅流分析、行为签名提取以及机器学习分类器。实验结果表明，DARKFLEECE能够有效检测出约X%的恶意订阅应用（具体数据需参考原文）。主要贡献在于：1) 首次系统性地研究了Android订阅应用的欺诈面；2) 提出了一个可扩展的检测框架；3) 揭示了订阅应用生态中的漏洞和攻击面。该研究为安全从业者提供了理解移动订阅欺诈机理的基础，并为应用商店审核机制改进提供了参考。

该论文对Android生态系统中的固件空中下载（FOTA）应用进行了首次大规模系统性分析。FOTA应用负责管理Android设备固件的更新，拥有高权限，对设备安全至关重要。然而，厂商特定实现可能因不良软件工程实践引入安全和隐私问题。研究者设计了一个检测工具，从422,121个预装应用中识别出2,013个FOTA应用，并进行了分类和静态分析。主要发现包括：43%的FOTA应用由第三方开发，部分设备甚至预装了多达5个FOTA应用；一些应用存在隐私侵入行为，如收集敏感用户数据（例如与唯一硬件标识符绑定的地理位置）并包含大量第三方跟踪器；实现缺陷导致关键漏洞，例如使用公开的AOSP测试密钥签署FOTA应用及用于更新验证，使得任何使用相同密钥签名的更新均可被安装；此外，通过商业安全工具收集的真实设备遥测数据表明，FOTA应用还负责安装非系统应用（如娱乐应用和游戏），包括恶意软件和潜在不受欢迎程序（PUP）。研究结论指出，FOTA开发实践与Google的建议相悖，亟需关注。

该论文针对Android平台上的生育追踪应用（Fertility Tracking Apps）进行了基于网络的测量研究。这些应用记录用户的月经和怀孕数据，涉及高度敏感的健康信息。以往研究多关注此类应用的用户隐私认知因素，而较少从技术角度考察其实际数据处置行为。作者从Google Play商店选取了20款流行的生育追踪应用，通过系统化分析应用功能，并在一个能够记录TLS剥离流量的受控环境中执行标准化用户交互，捕获应用与第三方广告服务之间的网络流量。研究发现，在20款应用中有5款明确泄露了用户的健康数据（如周期状态、怀孕意图等），此外，通过高度定向的上下文广告URL，还观察到隐式数据泄露。同时，部分应用采用了广告变现模式但并未明显泄露用户数据，另外一些应用则与广告服务交互极少。这些发现为普遍存在的用户隐私担忧提供了技术证据，并强调了消费者在选择生育追踪应用时隐私保护的重要性。本研究适合安全研究人员、隐私倡导者、应用开发者和政策制定者阅读。

本文提出 LAMD（Context-Driven Android Malware Detection and Classification with LLMs），一个利用大语言模型（LLM）进行上下文驱动的安卓恶意软件检测与分类框架。针对现有检测方法难以应对演化攻击、数据集偏差和可解释性不足的问题，以及直接应用 LLM 时面临的上下文窗口限制（安卓应用包含大量支持代码，上下文超长）和结构复杂性（顺序推理难以处理代码间依赖）两大挑战，LAMD 设计了两阶段处理：首先，通过关键上下文提取（Key Context Extraction）隔离安全关键代码区域并构建程序结构；然后，采用层级代码推理（Tier-wise Code Reasoning）从低级指令到高级语义渐进分析应用行为，最终给出预测和解释。此外，框架在第一层级配备了事实验证一致性机制，以缓解 LLM 的幻觉问题。实验表明，LAMD 在真实场景中的性能优于传统检测器，为动态威胁环境下的 LLM 驱动恶意软件分析提供了可行基础。

本文对Android应用签名密钥保护进行了纵向生态研究。Android应用签名依赖于开发者管理的凭据，因此密钥的安全保护对于软件供应链的完整性至关重要。近期两大OEM厂商的平台密钥泄露事件表明，即使是设计稳健的签名机制也可能因开发者的疏忽而被攻破。本研究通过挖掘公共仓库中的Android签名凭据，利用暴露的密码恢复受损密钥，并将其与从主要应用商店和OEM系统镜像收集的超过4000个应用的签名进行匹配。分析发现了GitHub上的5673个受损密钥库和26个与278个真实世界应用相关联的唯一证书，其中包括26个公共应用商店中的第三方应用和来自7个制造商的252个预装应用，合计影响超过100亿用户。通过一个概念验证的应用替换攻击，展示了这些泄露的实际利用可能性，并识别了非智能手机平台（包括安装在超过1100种车辆型号中的流行车载中控平台）的溢出风险。研究结果表明，签名密钥管理不善是一个系统性风险，强调了在Android发布工程和分发基础设施中需要更严格的密钥管理支持。本文适合安全研究人员、Android平台开发者、应用商店运营者以及移动安全从业者阅读。

该论文聚焦于Android内核面对一日漏洞（one-day exploits）时，现有纵深防御机制的有效集成问题。研究背景是：Android系统依赖内核安全机制（如访问控制、控制流完整性、地址空间布局随机化等）来抵御已知漏洞的利用；然而，这些防御在集成到实际内核中时，往往存在配置错误、不完整实现或兼容性缺陷，导致防御效果大打折扣。论文提出了一种系统化的评估方法，分析多个Android内核版本中主要防御机制的集成完整性。方法包括：构建自动化测试框架，检查防御特性是否启用、配置是否正确、是否有已知绕过路径；对比不同OEM厂商的内核镜像，发现集成差异。实验表明，许多设备存在“防御深度”不足的问题，例如某些CFI保护未覆盖所有关键代码路径，或内核页表隔离不完整。主要贡献是：量化了防御集成缺陷的普遍性，揭示了OEM厂商在安全更新中的常见遗漏，并给出了可操作的修复建议。该研究适合Android安全工程师、内核开发者及移动设备安全研究人员阅读。

Guidelines for Development

Development Tools

Testing Tools and Infrastructure

本文提出MASCOT-Android，一个经过整理的Android恶意软件源代码数据集及自动化收集流水线。Android恶意软件源代码相较于二进制或反编译代码更能直接反映攻击者意图，但由于源代码稀缺且人工审查成本高昂，此类数据集难以构建和维护。作者的关键发现是：仓库级别的README文档本身即能作为恶意软件源代码收集的强信号。方法上，他们从8,772个恶意软件和25,747个良性项目的README文档中提取字符级TF-IDF特征，训练LinearSVC分类器区分恶意仓库。该仅基于README的模型在本地评估中达到96.28%的准确率和1.06%的假阳性率。此外，模型输出置信度分数，允许用户调整决策阈值以平衡假阳性率和覆盖率，使实际收集过程更具灵活性。研究贡献包括：提供了一个公开可用的Android恶意软件源代码数据集；提出了一个可扩展的自动化收集框架，降低了对人工标注的依赖；验证了项目文档作为安全信号的有效性。该工作适用于恶意软件分析、威胁情报收集及机器学习检测模型训练等场景。

本文针对 Android 应用框架中权限映射不清晰的问题，提出一种动态分析方法。Android 应用框架包含大量受权限保护的 API，但现有文档和静态分析难以准确确定每个 API 所需的具体安全条件（权限）。作者通过动态跟踪应用框架层的执行流程，结合权限检查机制，自动推导出 API 与权限之间的映射关系。实验表明，该方法能够发现大量未文档化的权限依赖，并纠正现有文档中的错误。这一工作为 Android 安全分析提供了更可靠的基础，有助于理解应用权限使用行为、发现权限提升漏洞以及改进权限模型的设计。

该论文是首次针对Android恶意软件生态系统中隐蔽通信信道（Covert Channels, CC）使用情况的纵向研究。研究背景是：代理、VPN和Tor等工具虽然帮助隐私社区和受限地区用户对抗审查，但同样可能被恶意软件和僵尸网络滥用，以隐藏与外部命令与控制服务器的通信。尽管基于恶意软件的攻击日益增多，此前尚无纵向研究分析恶意应用如何利用CC规避检测。为填补这一空白，作者开发了一个多阶段分析管道，结合静态和动态分析，检查系统和网络层面的特征。该管道应用于一个包含350万个Android恶意软件样本的语料库，时间跨度从2009年至2025年7月。精心设计的静态验证规则发现了28.8万使用CC的APK，涉及511个恶意软件家族，CC使用率从2012年的0.30%指数增长至2025年的50%。在动态分析中，识别出19,308个唯一的IP地址，分布在85个国家，其中59个IP地址（17个国家）被明确验证存在CC。此外，进行了跨越16年的纵向数据集研究，发现CC使用方式不断演变：例如，一些恶意软件采用多种CC；另一些则定期在不同CC之间切换（一个家族在2019年至2025年间切换CC达40次）。研究揭示了CC在Android恶意软件中的广泛和增长趋势，为检测和防御提供了重要依据。

该论文首次系统性地研究了 Android 框架中 Java 和 Kotlin 并行实现引发的安全问题。随着 Google 在 Android 系统和应用层推广 Kotlin，AOSP 中存在大量用 Java 和 Kotlin 同时实现的相同功能组件。论文指出，虽然这些并行实现在功能上应当一致，但由于两种语言的语法和语义差异，实际运行时可能出现微小的行为分歧。这种分歧本身并非漏洞，但可能暴露周边安全逻辑的缺陷。作者设计并实现了 ParaDroid 分析框架，通过字节码级中间表示、类到源码映射重构以及大语言模型推理方法语义，规模化地识别 Java-Kotlin 并行方法并比较其行为差异。在 Android 14-16 的 AOSP 代码中，ParaDroid 发现了 329 对并行方法和 37 个易受攻击的差异。作者已负责任地向 Android 安全团队披露了可利用的问题，其中 3 个漏洞和 2 个 bug 被确认，并分配了 2 个 CVE ID。研究结果表明，检查 Java-Kotlin 并行代码路径是发现现代 Android 安全缺陷的有效途径。

Android恶意软件分析面临鲁棒分类和检测隐匿攻击的挑战。现代威胁采用代码混淆、动态加载、加壳甚至隐写技术来规避传统静态和动态特征检测，降低了基于签名的系统有效性，并削弱了依赖显式语义指标（如权限、API调用、控制流结构）的机器学习模型的可靠性。本文提出了一种名为\approachname的内存取证恶意软件检测框架，将分析视角从语义程序建模转向基于信号的结构表示。该方法将静态字节码和早期执行内存快照通过直接二进制到波形映射转换为音频波形，无需反汇编或特征工程，保留了低层结构模式。生成的信号使用手工设计的频谱描述符、卷积神经网络和基于transformer的嵌入进行处理。在CICMalDroid2020数据集和VirusTotal恶意软件上的实验表明，\approachname达到了98.0%的准确率，优于静态声纳化方法和当前最先进的技术。本研究为恶意软件分析提供了一种新颖的信号处理视角，展示了音频特征在识别恶意行为方面的潜力。

该论文通过三项研究（在线调查、拦截式研究、日记研究）深入探讨了Android用户对应用权限的感知与控制行为。研究1（N=103）调查了用户对权限请求的警觉性及权限撤销意愿；研究2（N=61）在真实场景中拦截权限请求并询问用户对其必要性及类型的理解；研究3（N=20）通过7天日记记录用户权限相关互动。结果显示：用户对权限请求的警觉性较低，多数用户忽略权限请求或不清楚权限用途；缺乏清晰的权限说明和上下文信息导致用户难以做出知情决策；用户往往高估其控制能力；部分用户采用规避行为（如拒绝所有请求）而非理性判断。论文贡献了用户权限行为的实证模型，并为改进Android权限界面提出设计建议，如提供更明确的权限用途说明及互动式权限管理工具。

该论文提出了一种新型僵尸网络清除方法，核心思路是劫持恶意软件自身的更新机制，通过远程代码部署复用来分发修复载荷，从而在感染设备上隐蔽且及时地移除前端僵尸程序。与传统的DNS沉洞或C&C基础设施查封相比，该方法无需数月准备，且能绕过攻击者恢复控制的漏洞。作者研发了ECHO自动化取证管道，该管道能从Android恶意软件样本中提取载荷部署例程，并自动生成修复载荷，实现从隐蔽警告用户到彻底卸载恶意软件等多种清除目标。通过对702个Android恶意软件样本的评估，ECHO成功修复了其中523个（约74.5%），证明该方法在现实场景中具有很高的可行性和覆盖率。该研究为执法机构和安全厂商提供了一种在获得法律授权后可立即实施的、高效的僵尸网络根除辅助手段。

本文首次系统性地研究了Android系统中Java上下文与Native上下文之间存在的跨上下文访问控制不一致问题。Android由于代码库庞大且支持多种执行上下文（Java和Native），其访问控制机制在不同上下文中可能出现不一致，这为恶意软件提供了绕过访问控制、执行未授权敏感操作的可能。过往研究仅关注Java上下文内的问题，忽略了跨上下文的差异。为此，作者设计并实现了IAceFinder工具，该工具能够自动提取和对比Java和Native上下文中的访问控制策略，从而发现不一致之处。通过对14个开源Android ROM进行测试，IAceFinder成功发现了23处跨上下文访问控制不一致，这些漏洞可被攻击者利用来破坏设备安全或侵犯用户隐私。实验结果表明，IAceFinder在检测此类不一致方面具有高效性和准确性，为Android安全加固提供了新的视角和实用的自动化检测手段。

该论文系统性地研究了Android权限系统中两个被忽视的过时机制，这些机制持续破坏用户知情同意：（1）权限组（permission groups）机制：用户首次授权某个权限后，后续同一组内的新权限会被静默自动授予，用户无感知；（2）普通级自定义权限（normal-level custom permissions）：安装时自动授予，且允许跨应用访问，用户完全不可见。作者对AndroZoo仓库中的1930万APK（涵盖597万个独立应用标识符）进行了纵向分析，并在Android 16设备上进行了验证。在224万多个多版本应用中，381026个（17%）在已授权组内静默获得了新增权限。通过VirusTotal检测（主阈值为20），被标记为恶意软件的应用在组内扩展权限的比例高于良性应用（优势比=1.35，p<0.001）；该关联在所有测试阈值下均成立，且集中在权限密集型应用中（上四分位数优势比=2.06）。此外，还识别出307个跨开发者的普通级自定义权限对，这些配对允许无关应用访问联系人、短信、位置、认证凭据、用户身份和医疗记录，而无需任何用户提示。基于公开Android API的轻量级原型在96天单设备试点中，记录了13个应用的23次静默扩展事件，表明不修改操作系统即可实现更新时的透明度。研究表明，尽管Android平台已加固十年，但同意侵蚀问题依然存在，影响范围从冷门工具到广泛部署的预装软件。

本文研究了在时间概念漂移背景下，Android恶意软件检测模型的对抗鲁棒性如何随时间演变。研究团队收集了跨越十多年的Android应用数据集，从模拟器和真实设备执行中提取静态和动态特征表示，并将数据按年份切片。他们设计了三种部署协议模拟真实世界的学习场景：(1) 同年训练和测试；(2) 跨年部署但不更新模型；(3) 扩展窗口重训练，利用累积的历史数据。在多种分类器家族上，使用FGSM和SPSA在可行性约束下生成对抗样本。实验测量了干净性能、对抗准确率（AA）、攻击成功率（ASR），并引入了三个时间链接指标——RobustDrop、ΔASR和对抗放大因子（AAF）——来量化分布偏移与鲁棒性退化之间的关系。结果表明，时间分离会降低基于特征迁移的对抗鲁棒性。随着训练-测试时间差距增大，干净准确率和对抗准确率均下降，而攻击成功率在某些配置下（特别是FGSM扰动和静态特征下）增加。扩展窗口重训练可以缓解但不能完全消除在持续分布演化下的鲁棒性损失。这些发现表明，在评估智能检测系统在演化数据分布下的长期鲁棒性时，应考虑时间漂移，并突出了在长期对抗环境中建立漂移感知鲁棒性评估框架的必要性。

该论文对Android设备上恶意软件和潜在有害程序（PUP）的分发渠道进行了全面调查。研究使用某大型安全厂商在2019年6月至9月期间收集的声誉日志，涵盖790万款应用，来自1200万设备。研究发现，10%至24%的用户设备至少遭遇一款不受欢迎的应用。通过分析安装程序与子应用之间的安装关系，作者评估了不同分发渠道的规模与风险：Play官方市场占所有安装量的87%和不受欢迎应用安装量的67%，但其防御能力最强；替代市场分发5.7%的应用，但占不受欢迎应用的10%以上；预装软件（bloatware）是不受欢迎应用的重要分发向量，占6%；备份恢复可能导致不受欢迎应用在用户换机后幸存；按安装付费（PPI）服务在Android上的分发规模小于Windows；网页下载虽罕见，但风险高于替代市场。该研究量化了各渠道的威胁分布，为移动安全防御提供了实证基础。

该论文针对Android应用中的逻辑炸弹（Logic Bomb）提出了一种新型的隐蔽触发机制。传统逻辑炸弹通常依赖静态条件（如日期、文件存在等）作为触发器，容易被安全分析工具通过静态特征或简单动态执行暴露。作者创新性地提出了“自动情境化隐蔽触发器”（Auto-Contextualized Covert Triggers），利用应用运行时的上下文信息（如传感器数据、网络状态、用户行为序列等）动态生成触发条件。该方法通过机器学习模型在正常使用环境中学习上下文特征，并自动组合成难以预测的触发逻辑。实验部分，作者在多个真实Android应用上实现了原型系统，并评估了其对抗静态分析和动态监测的能力。结果显示，该机制能有效绕过现有基于规则和简单行为分析的检测方法，显著提高了逻辑炸弹的隐蔽性。论文的主要贡献包括：形式化了情境化触发器的设计空间，提出了一种自动生成框架，并验证了其在实际环境中的有效性。读者对象为移动安全、恶意软件分析与防御的研究人员。

本文研究了移动应用中 WebView 组件存在的跨边界信息泄露问题。WebView 允许应用在原生 Java/Kotlin 环境中嵌入 Web 内容，但应用会通过桥梁（JavaScriptInterface）将 Java 对象暴露给 JavaScript，这可能导致敏感信息从原生层泄露到 Web 内容中。作者系统性地分析了 Android 和 iOS 平台上 WebView 的安全模型，并提出了一种新的攻击面：通过利用 WebView 中 Java 到 JavaScript 的信息扩散，攻击者可以在不同的应用边界之间追踪用户。具体地，他们构建了自动化分析工具，检测了数千个流行应用，发现大量应用存在过度暴露 Java 对象的行为，并且这些对象可能被恶意网页脚本利用来获取设备标识、位置信息等隐私数据。实验表明，这种跨边界追踪技术能够在用户不知情的情况下跨应用关联用户身份，对移动生态隐私构成严重威胁。论文贡献包括：形式化定义了 WebView 中的信息扩散模型；开发了静态和动态结合的检测框架；大规模测量揭示了现实中的风险；讨论了缓解措施。

该论文是迄今为止最大规模的Android平台私人信息收集（PIC）研究。研究者利用某流行移动安全产品用户提供的匿名化数据集，分析了2018年至2019年间21个月内1730万用户安装的210万款独特应用所产生的敏感信息流。研究发现，87.2%的设备至少向5个不同域名发送了私人信息，且不同地区的参与者（如亚洲与欧洲）对信息类型有不同偏好。美国（占总流量的62%）和中国（7%）是收集私人信息最多的国家。研究结果揭示了数据监管存在的问题，并鼓励政策制定者进一步规范私人信息的使用和共享，确保可问责性。该研究的核心贡献在于提供了大规模、跨地域的实证数据，为隐私保护政策提供了重要参考。

该论文提出了一种名为TaintGrep的静态分析工具，用于检测Android应用中的漏洞。该工具基于污点分析（taint analysis）技术，并支持用户自定义规则，从而能够灵活地适应不同的安全检测需求。TaintGrep通过构建数据流图并追踪敏感数据（如用户输入、敏感API调用）的传播路径，最终识别可能导致信息泄露、权限滥用等安全问题的模式。实验部分（abstract未详细说明）可能评估了其在真实应用上的检测效果。该研究的主要贡献在于提供了一个可扩展的静态分析框架，允许安全分析师根据特定漏洞类型编写自定义规则，降低了针对新型漏洞的检测门槛。适合安全分析人员、移动安全研究者以及希望定制化检测逻辑的开发者阅读。

WOOTdroid 是一种面向 Android 原生系统的全设备在线追踪方案，旨在解决现有系统审计面临的两大问题。第一，现有系统调用追踪器（如 ftrace）在负载较高时无法及时读取事件，导致缓冲区溢出，造成事件静默丢失。第二，Android 中安全相关的应用行为通过 Binder（内核 IPC 机制）进行，而内核看到的 Binder 数据包（parcel）不包含方法名或类型化参数，导致底层事件与高层语义之间存在“语义鸿沟”。现有方案要么修改 Android 框架（难以适配系统更新），要么在用户态插桩追踪应用（易被绕过）。WOOTdroid 不需要 OS 修改或应用插桩，包含两个核心组件：WDSys 和 WDBind。WDSys 是将 eAudit 风格系统调用审计移植到 eBPF 的实现，可在当前 Android 系统上运行，Geekbench 开销不超过 3.6%，且相比 ftrace 可多追踪 33% 的系统调用。WDBind 在内核中捕获 Binder 数据包，并通过 Java 反射提取的框架签名表在进程外解码。作者在运行 Android 16 的 Pixel 9 设备上进行了端到端案例研究，成功重建了十个安全相关的 Binder 事务。该工作为 Android 安全监控提供了低开销、高语义还原度的新途径。

该论文针对Android住宅代理应用程序（一种潜在的不受欢迎程序，PUP）的静态归因问题展开研究。这类应用会偷偷通过终端用户设备路由第三方流量，被高级威胁行为者用于广告欺诈、凭证滥用和绕过地理位置控制。由于代码复用、SDK嵌入和混淆技术，将未知APK归属到特定代理网络非常困难。论文提出了一种静态分析流水线，用于自动化的代理软件家族归属。该流水线从包含四个商业代理网络的3,365个Android代理应用标注语料库中提取图结构表示（控制流图和函数调用图）以及行为签名。研究者评估了单独使用Weisfeiler-Lehman图核特征以及将其与二进制能力向量融合后，在多个分类器上的表现。通过5折DEX分组交叉验证防止数据泄漏，SGD在扩展数据集上达到了0.985的宏F1分数。为了支持可解释性，论文将分类器决策映射到自动生成的Yara规则，在过滤非判别性签名后，每个家族的准确率最高可达88.45%。最后，论文在更广泛的生态背景下讨论了这些结果：扩展数据集中，仍可从APKPure获取的多数应用（51.4%）仍然包含嵌入的代理SDK代码。对开发者账户的进一步分析显示，有23名开发者负责其他包含此类功能的应用，表明代理提供商与开发者之间存在持续的商业合作关系。

本文针对基于机器学习的Android恶意软件检测（AMD）方法，提出了一种名为AdvDroidZero的高效查询式攻击框架。当前对该类方法的对抗样本攻击大多依赖较强假设，如攻击者知晓特征空间、模型参数或训练数据集等知识，这在现实攻击场景中往往不成立。AdvDroidZero在零知识设置下运作，即攻击者无需提前了解目标模型的内部细节，仅通过黑盒查询即可生成对抗样本。该框架通过设计高效的查询策略和针对性扰动生成方法，显著降低了攻击所需的查询次数，同时保持了高攻击成功率。在多个主流基于机器学习的AMD方法（包括最新技术）以及真实世界反病毒产品上的广泛评估表明，AdvDroidZero能够有效规避检测，揭示了当前检测方法的脆弱性。论文分析了攻击成本与效果，并讨论了可能的防御方向。本研究对安全社区理解对抗性机器学习威胁具有重要意义，尤其针对移动安全领域的现实攻击场景。

提出PrivSTRUCT框架，通过编码器-解码器结构解析隐私政策中的数据结构，揭示Google Play商店应用中数据目的声明与实际数据流之间的透明度差距。