HYDRA: Proactive Android Malware Drift Adaptation via Hierarchical Graph Contrastive Learning
该论文聚焦于 Android 恶意软件检测中的概念漂移（concept drift）问题。随着恶意样本持续演化，基于机器学习训练的检测器性能会显著退化。作者指出当前两类主流适应策略各有缺陷：一类是「反应式」方案，只有在检测性能已经下降后才触
#android-malware
共收录 9 条相关情报。
← 返回所有主题Partition-Matched Evaluation of Community Features under Distribution Shift in Android Malware Function-Call Graphs
该论文研究基于函数调用图的 Android 恶意软件分类器在分布偏移（恶意软件类型或家族变化）下的泛化能力，核心问题是：函数调用图中的"中观"组织结构（即社区/模块化社区划分）是否能在局部度数分布（LDP）、全局统计量、轻量级元数据以及规模
When Label Noise Meets Class Imbalance: A Robust Framework for Android Malware Family Classification
该论文研究的是 Android 恶意软件家族分类模型在真实训练数据条件下的鲁棒性问题。作者指出现有机器学习方法虽在基准数据集上准确率很高，但落地时面临两大障碍：其一，Android 生态中广泛使用的代码混淆会严重干扰自动化标注流程，导致训练
Black-box Adversarial Example Attack towards FCG Based Android Malware Detection under Incomplete Feature Information.
本文研究基于函数调用图（FCG）的Android恶意软件检测方法在面对对抗样本时的脆弱性，并提出了一种名为BagAmmo的新型黑盒对抗攻击方法。现有FCG检测方法（如MaMaDroid、APIGraph、GCN）虽性能优异，但攻击者可通过向
Continuous Learning for Android Malware Detection.
该论文聚焦于Android恶意软件检测中的概念漂移（concept drift）问题。现有机器学习分类器在训练时能达到很高的准确率（例如F1分数0.99），但部署后随着时间推移，由于恶意软件和良性应用的持续演化，分类器性能急剧下降——在仅6
Don't Trust Us: A privacy-by-design android malware detection pipeline
该论文提出了一种从设计上保护隐私的Android恶意软件检测流水线。现有检测方法普遍需要收集设备标识符、网络痕迹、运行时数据等敏感用户信息，尽管后续可采用匿名化、加密或联邦学习等技术保护隐私，但仍然要求用户高度信任拥有特权访问权限的系统。作
Fighting Fire with Fire: Continuous Attack for Adversarial Android Malware Detection.
本文提出了一种名为“Fighting Fire with Fire”的连续攻击方法，用于对抗Android恶意软件检测系统。研究背景是当前Android恶意软件检测模型容易受到对抗样本攻击，而现有的防御方法往往被动且效果有限。核心问题是如何
Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
本文针对安卓恶意软件检测模型在部署后因概念漂移（concept drift）导致性能下降的问题，提出了一种基于自监督学习和强化学习的自适应维护框架。现有方法通常需要完全重新训练模型，成本高昂。作者将部署期间的维护建模为序列决策问题：首先通过
MARD: A Multi-Agent Framework for Robust Android Malware Detection
随着Android应用的快速演变，传统的基于机器学习的检测模型面临概念漂移问题，且受限于浅层特征，缺乏对代码的深层语义理解和可解释性。虽然大语言模型展现出强大的语义推理能力，但直接处理海量原始代码会产生巨大的令牌开销，并且无法在复杂上下文中