基于属性分类的Android应用相似性检测框架

doi:10.3778/j.issn.1002-8331.1806-0405

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (17): 10-15.DOI: 10.3778/j.issn.1002-8331.1806-0405

基于属性分类的Android应用相似性检测框架

张鹏

宁夏大学信息工程学院，银川 750021

出版日期:2018-09-01 发布日期:2018-08-30

Framework for similarity detection among Android applications based on property classifying

ZHANG Peng

School of Information Engineering, Ningxia University, Yinchuan 750021, China

Online:2018-09-01 Published:2018-08-30

摘要/Abstract

摘要： 由于Android应用（Android Applications，APP）容易被逆向修改而产生大量的盗版，因此如何快速准确地判断APP之间的相似性是目前Android软件保护的研究热点之一。从提高APP相似性检测效率的角度出发，提出了一种基于属性分类的APP相似性检测框架。该框架首先利用APP的某些属性对需要检测的APP集合进行分类，将差异较大的APP划分到两个不同的子集，然后采用并行的方式分别对两个子集进行特征提取和相似性计算。实验结果表明，该框架采用的事先分类和并行计算的方法使得相似性检测的效率得到了明显的提高，在检测正确率相近的情况下可以缩短近一半的检测时间。

关键词: Android, 软件相似性, 属性分类, 本地代码

Abstract: Since Android applications（abbr. APPs） are easily cracked and repackaged, there are thousands of pirated APPs on the Internet. The problem that how to calculate the similarity among APPs quickly and accurately becomes one of the hotspots of Android software protection. In order to improve the efficiency of similarity detection, a novel framework that based on property classifying is proposed in this paper. Firstly, the framework tries to divide a collection of APP into two different sub-collections according to several properties of APP. Secondly, features and similarity will be extracted and calculated parallel based on properties of every APPs in sub-collections. Finally, the result of similarity detection for the APP collection will be gathered from two sub-collections. Experimental result shows that the proposed framework can cut down about 50% detection time while maintaining a similar accuracy.

Key words: Android, software similarity, property classifying, native code

张鹏. 基于属性分类的Android应用相似性检测框架[J]. 计算机工程与应用, 2018, 54(17): 10-15.

ZHANG Peng. Framework for similarity detection among Android applications based on property classifying[J]. Computer Engineering and Applications, 2018, 54(17): 10-15.

[1]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[2]	王玉联，鲁鸣鸣. 可解释的基于图嵌入的Android恶意软件自动检测[J]. 计算机工程与应用, 2021, 57(23): 122-128.
[3]	郭芷含，罗森林，柯懂湘，秦枭喃. Android系统服务信息分层获取方法[J]. 计算机工程与应用, 2021, 57(12): 99-104.
[4]	夏吉品，邹滨，杨忠霖，李沈鑫. 室外空气污染暴露规避健康路径规划服务[J]. 计算机工程与应用, 2020, 56(3): 266-271.
[5]	赵宇鑫，努尔布力，艾壮. 基于集成学习投票算法的Android恶意应用检测[J]. 计算机工程与应用, 2020, 56(22): 74-82.
[6]	孙骁永1，2，王伟1，霍玮1，2，周建华1. 动态事件序列制导的Android应用漏洞验证技术[J]. 计算机工程与应用, 2018, 54(6): 86-94.
[7]	李川1，刘宝旭2. ParaIntentFuzz：安卓应用漏洞的并行化模糊测试方法[J]. 计算机工程与应用, 2018, 54(4): 110-116.
[8]	陈璐，马媛媛，石聪聪，李尼格，李伟伟. Android应用安全缺陷的静态分析技术研究[J]. 计算机工程与应用, 2018, 54(4): 117-121.
[9]	张震，曹天杰. 行为特征值序列匹配检测Android恶意应用[J]. 计算机工程与应用, 2018, 54(24): 97-102.
[10]	赵薇1，4，王楠2，苏欣3，4，张波云1. 基于深度信念网络的Android恶意应用检测方法[J]. 计算机工程与应用, 2018, 54(18): 125-132.
[11]	王文冲，凌捷. 一种基于模糊哈希的Android变种恶意软件检测方法[J]. 计算机工程与应用, 2018, 54(18): 133-138.
[12]	程运安，汪奕祥. 基于多特征的Android恶意软件检测方法[J]. 计算机工程与应用, 2017, 53(8): 95-101.
[13]	徐利敏1，魏翔2. Android平台说话人认证系统的并行计算与设计[J]. 计算机工程与应用, 2017, 53(3): 231-236.
[14]	李晓辉1，张向文1，2，侯少阳1. 电动汽车动力电池状态远程监测系统设计[J]. 计算机工程与应用, 2017, 53(21): 233-238.
[15]	李洋1，李岳阳2，罗海驰1，蒋高明2，丛洪莲2. 基于形状特征的植物叶片在线识别方法[J]. 计算机工程与应用, 2017, 53(2): 162-165.

基于属性分类的Android应用相似性检测框架

Framework for similarity detection among Android applications based on property classifying

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics