该论文针对Android应用隐私与安全审计中数据流分析任务存在的重复分析成本问题，提出了一种基于知识复用的系统性解决方案FlowArk。在批处理模式下，多个代理实例分别处理不同的污点源到汇点的数据流分析任务，但由于代码复用导致不同数据流路径共享相同代码片段，传统方法中相互隔离的代理实例会重复分析这些共享代码，浪费API预算并限制可扩展性。FlowArk通过将已完成分析的历史知识蒸馏为可复用的知识候选，并封装成可匹配的知识条目，在后续代理实例的上下文中注入匹配的知识，从而避免重复分析。实验在50个开源Android应用的4,685个数据流分析任务上评估，基于OpenCode实现。结果表明，FlowArk在保持相似分析质量的同时，将端到端API成本降低26.83%，且在100美元预算下完成的任务数比标准OpenCode多36.66%（1060 vs 776）。该工作为大规模自动化数据流分析的高效部署提供了新思路。

本文关注机器学习驱动的安卓恶意软件检测器在问题空间（problem space）中的对抗性攻击。现有攻击方法存在诸多不足：大多数技术通过软件移植注入完整良性模块，引入大量副作用特征，且常导致构建失败；细粒度方法仅注入少量组件，效果有限；使用混淆的方法依赖脆弱的字节码重写，生成的APK虽然在语法上有效，但语义上不可用。此外，先前研究仅通过安装和基本执行的冒烟测试评估攻击成功率，忽略了修改后的APK是否仍保持原始功能。为解决这些问题，作者提出DROIDBREAKER框架，它是一个实用且功能完整的问题空间攻击框架，提供以下能力：(i) 仅操纵对目标模型最具影响力的APK组件，实现查询高效的白盒和黑盒攻击；(ii) 一组细粒度、构建安全（build-safe）的操作（包括注入和混淆API调用、应用模块、权限和URL），副作用最小；(iii) 语义保持的功能测试，通过比较原始APK与修改后APK的执行日志和API级轨迹来强制执行运行时等价性。在最新版安卓应用数据集上的实验表明，DROIDBREAKER在白盒和黑盒设置下均能以少量查询实现高逃避率，并显著降低VirusTotal上商业恶意软件扫描器的检测率。该工作揭示了当前安卓恶意软件检测器在面对刻意构造的对抗性样本时的脆弱性。

该论文针对Android应用中的代码混淆检测问题，提出了利用大型语言模型（LLM）进行语义推理的新方法。传统方法依赖手工特征或专用学习管道，难以泛化到新混淆策略。作者进行了大规模实证研究，评估了多种开源和商业LLM在无需手工规则或专门训练的情况下识别混淆代码的能力。实验基于一个包含多种混淆技术的受控基准和从Google Play收集的真实世界数据集，分析了提示设计、模型选择和决策阈值的影响，并与基于SAST的现有方法进行了比较。结果表明，LLM在混淆检测中展现出潜力，但存在局限性。该研究为Android安全分析提供了新视角，适合安全研究人员、逆向工程师和LLM应用开发者阅读。

本研究对Android系统中的Custom Tab（CT）组件进行了首次系统性安全评估。CT是一种移动端与Web交互的桥梁，旨在克服传统WebView的可用性局限，能够与底层浏览器共享状态，并在保持主机应用知情的前提下进行网页导航。然而，作者发现CT的安全模型在设计时未考虑跨上下文状态推断攻击，导致多种安全漏洞：1）攻击者可以利用CT对用户敏感浏览数据进行细粒度窃取；2）通过绕过SameSite Cookie机制破坏Web会话完整性；3）CT的UI自定义功能可被用于钓鱼攻击和信息泄露。为评估CT的普及程度及所提出缓解策略的实用性，作者对超过5万个Android应用进行了大规模分析，结果显示CT使用广泛，83%的应用直接或通过库集成了CT。作者已向Google负责任地披露了所有发现，Google已采取针对性缓解措施，分配了三个CVE并奖励了10,000美元。此外，Google还发布了新的Chrome Custom Tabs安全常见问题解答文档，明确了CT安全模型。这项研究对Android平台的应用开发者和安全研究人员具有重要参考价值，提醒在设计跨上下文组件时需全面考虑隐私和安全边界。

本文研究了Android系统服务中的Binder通信机制存在的安全漏洞。Binder是Android应用访问系统服务的主要机制，采用客户-服务器角色模型，通常系统服务作为服务器，应用作为客户端。然而，越来越多的场景需要系统服务充当Binder客户端，向可能由应用实例化的Binder服务器发送查询。利用这种角色反转的可能性，本文提出了Binder交易重定向（BiTRe）攻击，攻击者诱导系统服务与自定义的Binder服务器进行交易，然后从未受保护的Binder服务器方向发起攻击。作者通过枚举BiTRe中可利用的Binder接口，展示了攻击面的规模，发现攻击面随Android版本增长。在Android 11中，超过70%的Binder接口受到BiTRe影响或可用于攻击。作者通过构建原型系统，自动生成可执行程序以覆盖大部分攻击面，并识别了一系列漏洞，Google已确认并分配了10个CVE，证明了攻击的可行性。本文的主要贡献在于揭示了Binder机制中角色反转带来的新攻击面，并提供了系统性的分析方法。适合Android安全研究人员、系统服务开发者以及移动安全工程师阅读。

静态污点分析是检测软件系统中污点流的常用技术，尽管理论上保守且设计为检测所有可能污点流，但由于实现限制（如动态编程语言特性、不可达代码、多语言项目等），静态分析几乎总是存在漏报。为缓解此问题，本文提出 DySTA 方法，利用动态污点分析结果作为静态污点分析的额外源。然而，简单添加源会导致静态分析失去上下文敏感性，从而产生误报。为此，作者进一步开发了混合上下文匹配算法及对应工具 ConDySTA，在保留上下文敏感性的前提下融入动态分析结果。在 REPRODROID 基准框架（包含 28 款应用）上的评估表明：(1) ConDySTA 能检测到 12 个未被六款最新静态污点分析工具检测到的污点流；(2) ConDySTA 未报告任何误报，而单独的 DySTA 报告了 9 个误报。进一步对 Google Play 排名前 100 的安卓应用进行测试，ConDySTA 在 FlowDroid 检测到 281 个污点流的基础上额外发现了 39 个，同时保持了 FlowDroid 的上下文敏感性。本文方法显著提升了静态分析的召回率，同时维持了低误报率。

该论文首次对VR设备固件进行了全面的纵向安全分析。作者从两大主流VR厂商（Meta Quest和Pico）收集了超过300个固件版本，并从内核层、系统二进制/库层和应用层三个层面进行了系统性的安全评估。研究发现VR固件存在多种安全缺陷，包括：内核层安全特性缺失（如未启用SELinux或配置不当）、系统二进制文件加固不足（如未开启ASLR、栈保护等）、权限管理不一致（应用层权限与系统层权限不匹配）、SELinux策略执行不充分（存在过度许可或遗漏规则）。这些漏洞可能导致攻击者绕过安全机制、提升权限或窃取用户敏感数据。基于研究发现，论文为VR厂商提出了改进建议，涵盖固件开发、安全配置和策略制定等方面。该工作为VR生态系统的安全研究奠定了基础，可作为VR开发者、用户和厂商的重要安全参考，并为未来安全VR生态的发展指明方向。

本文首次从指纹认证生命周期的角度，对Android应用中指纹API（FpAPI）的误用进行了系统性的实证分析。研究首先开发了专用工具来识别和分析使用FpAPI的应用，并考察其特性。接着，通过详细的生命周期分析，定义了威胁模型并分类了四种常见的FpAPI误用类型。最后，开发了自动检测工具对1333个使用指纹认证的应用进行检测，发现令人震惊的结果：97.15%的应用至少存在一种误用，18.83%的应用存在所有已识别的误用类型。这些误用的后果严重，包括未经授权的数据访问、账户被盗甚至财务损失，影响大量用户。研究团队已负责任地报告这些漏洞，获得了184个CVE编号和19个CNVD编号，并得到15家厂商的确认。这项工作旨在提高对FpAPI正确使用重要性的认识。