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，但攻击者可通过向恶意代码中插入“永不执行”的函数调用来扰动FCG特征，从而绕过检测。攻击面临两大挑战：一是保证恶意软件原始功能不受扰动影响，二是在完全未知目标系统内部信息（如图特征粒度和输出概率）的条件下实施攻击。为解决功能保持问题，BagAmmo采用try-catch陷阱机制插入函数调用，使注入的调用在运行时不会真正执行，从而不改变恶意行为。为解决信息缺失问题，BagAmmo借鉴生成对抗网络（GAN）架构，利用多种群协同进化算法（Apoem）生成期望的扰动；每个种群代表一种可能的特征粒度，当算法收敛时即可逼近真实特征粒度。作者在超过44k个Android应用和32个目标模型上进行了大量实验，评估了攻击的有效性、效率和鲁棒性。结果表明，BagAmmo在MaMaDroid、APIGraph和GCN上平均攻击成功率超过99.9%，并且在概念漂移和数据不平衡场景下仍表现良好；同时，BagAmmo在攻击成功率上优于当前最先进的攻击方法SRL。该研究揭示了FCG检测系统的安全隐患，为提升检测器的鲁棒性提供了新的对抗视角。

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-FCG，一个增强的函数调用图数据集，其中集成了恶意软件的拓扑特征。该数据集包含多种恶意软件样本和良性应用程序的FCG，旨在为安全专业人员提供无需动态分析和大量预处理的高效检测流程。AMD-FCG框架简化了工作流程，可支持开发和部署更创新、高效的恶意软件检测系统。实验部分（根据摘要推断）可能验证了数据集在分类准确性和鲁棒性上的优势。该研究贡献了一个标准化基准数据集，有助于推动基于图的恶意软件检测研究。