该论文针对 Android 恶意软件大规模筛查场景中「特征提取成本过高」这一瓶颈提出了一种轻量级方案 Name2Pkg。传统深度学习检测方法普遍依赖 APK 内部特征（如权限、API 调用、字节码、资源文件）或运行时行为序列，这些特征虽然判别力强，但解析与特征工程开销大，难以在应用商店上架审核、批量爬取样本初筛等超大规模、低时延的前置环节部署。作者的观察是：正常应用在命名上通常保持一致性——用户可见的应用名（app name）与包名（package name）往往存在语义、拼写或品牌上的对应关系；而恶意样本为规避检测、仿冒品牌或快速批量生成，常在两者之间呈现弱对应甚至明显不一致。基于此，论文将恶意软件筛查形式化为序列异常检测问题，仅使用应用名与包名两个极易获取的字段。方法上采用字符级 sequence-to-sequence 模型，建模「给定应用名条件下包名的条件似然」，并以长度归一化后的负对数似然作为异常分数；关键在于该模型属于 one-class 设定，仅使用良性样本进行训练并校准判定阈值，不依赖任何恶意样本标注，这大幅降低了数据获取与标注成本，也使模型对新型恶意家族具备一定泛化性。实验在 67,129 个真实世界应用的数据集上进行，在留出测试集上取得 ROC-AUC 0.982、恶意软件召回率 0.885（对应实际误报率 0.044）。工程指标方面，模型检查点仅 3.57 MiB，CPU 单样本推理延迟 28.20 ms，说明其可在无 GPU 的普通服务器上完成高吞吐批量筛查。作者将 Name2Pkg 定位为大规模安全系统中的高效预过滤信号，用于在昂贵深度检测之前削减候选样本量。其局限在于仅凭命名一致性无法覆盖命名规范的恶意应用，且不同语言、地区、第三方品牌命名习惯可能影响阈值校准，需要结合后续深度分析形成多级流水线。