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
#function-call-graph
共收录 5 条相关情报。
← 返回所有主题Residual Community Prototypes Under-Reject Held-Out Malware Families in FCG-MFD
本文研究的是开放集（open-set）恶意软件家族识别任务中的拒识（rejection）问题：模型既要对训练集中出现过的已知家族正确分类，又要把训练中从未出现过的家族样本判定为「未知」并拒绝归类。作者针对基于函数调用图（FCG）的恶意软件家
Structural Attack against Graph Based Android Malware Detection.
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
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
AMD-FCG: An Enhanced Function Call Graph Dataset with Integrated Topological Features for Malware Detection and Classification
恶意软件检测是网络安全领域的关键挑战，因为恶意软件具有复杂结构和行为。现有的检测方法中，通过函数调用图（FCG）分析恶意软件的结构和行为模式是一种可靠的方法，但缺乏足够大且高质量的数据集来支撑对众多恶意软件家族的有效分类。本文提出了AMD-