Page 274 - 《软件学报》2026年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(4):1715−1739 [doi: 10.13328/j.cnki.jos.007499] [CSTR: 32375.14.jos.007499] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
RMDroid: 基于多模态融合学习的安卓恶意软件鲁棒检测

凌 祥 1,2 , 周伯霖 1,2 , 王时予 1,2 , 罗天悦 1 , 尹 鹏 2,3 , 吴春明 4 , 王 滨 5 , 吴敬征 1,2

1
(中国科学院 软件研究所, 北京 100190)
2
(中国科学院大学, 北京 100049)
3
(军工保密资格审查认证中心, 北京 100089)
4
(浙江大学 计算机科学与技术学院, 浙江 杭州 310027)
5
(杭州海康威视网络与信息安全实验室, 浙江 杭州 310052)
通信作者: 吴敬征, E-mail: jingzheng08@iscas.ac.cn
摘 要: 随着人工智能技术的蓬勃发展和广泛应用, 越来越多的恶意软件检测方法和工具利用深度学习的强大学
习能力来检测安卓平台上新出现的恶意软件. 然而, 深度学习模型已经被证明容易受到对抗攻击的威胁. 与此同时,
攻击者已经开始提出多种针对安卓恶意软件检测方法的对抗攻击方法, 即生成对抗性安卓恶意软件, 从而达到绕
过恶意软件检测的目的. 现有安卓恶意软件检测方法容易受到对抗攻击威胁的主要原因在于, 这些恶意软件检测
方法都建立在单一模态特征之上, 而以单一模态存在的特征却很容易被攻击者恶意性地操控. 因此, 为了提高当前
安卓恶意软件检测方法可以抵御对抗攻击的鲁棒性, 提出一种基于多模态融合学习的安卓恶意软件鲁棒检测方法
RMDroid, 可以在不影响针对一般性安卓恶意软件检测准确性的基础上, 显著提高其抵御对抗攻击的鲁棒性. 具体
而言, RMDroid 首先会从待测安卓软件中提取多种模态的特征信息, 然后分别利用相应的深度学习模型学习表征
相应模态深层语义信息的特征向量, 最后利用异类识别网络降低甚至消除多模态特征中受到对抗攻击干扰的模态
特征对最终恶意软件预测的影响, 从而提高其抵御对抗攻击的鲁棒性. 实验结果表明, 所提出的 RMDroid 在 5 项
有效性指标和 1 项鲁棒性指标上均优于所有基线检测方法. 特别的, 在误报率 FPR 相同的情况下, RMDroid 的检
出率 TPR 比最好的基线检测方法的 TPR 高出 10% 以上; 并且针对最先进的 HRAT 攻击, RMDroid 的鲁棒性值高
达 96% 以上, 显著高于 MaMaDroid 和 MalScan 基线检测方法的鲁棒性值.
关键词: 安卓恶意软件; 鲁棒检测; 对抗攻击; 多模态学习; 融合学习
中图法分类号: TP311

中文引用格式: 凌祥, 周伯霖, 王时予, 罗天悦, 尹鹏, 吴春明, 王滨, 吴敬征. RMDroid: 基于多模态融合学习的安卓恶意软件鲁棒
检测. 软件学报, 2026, 37(4): 1715–1739. http://www.jos.org.cn/1000-9825/7499.htm
英文引用格式: Ling X, Zhou BL, Wang SY, Luo TY, Yin P, Wu CM, Wang B, Wu JZ. RMDroid: Android Malware Robust Detection
Based on Multi-modal Fusion Learning. Ruan Jian Xue Bao/Journal of Software, 2026, 37(4): 1715–1739 (in Chinese). http://www.jos.
org.cn/1000-9825/7499.htm

RMDroid: Android Malware Robust Detection Based on Multi-modal Fusion Learning
1,2
1,2
2,3
5
4
1
1,2
LING Xiang , ZHOU Bo-Lin , WANG Shi-Yu , LUO Tian-Yue , YIN Peng , WU Chun-Ming , WANG Bin ,
1,2
WU Jing-Zheng
1
(Institute of Software, Chinese Academy of Sciences, Beijing 100190, China)
2
(University of Chinese Academy of Sciences, Beijing 100049, China)
3
(Defense Industry Secrecy Examination and Certification Center, Beijing 100089, China)

* 基金项目: 国家自然科学基金 (62202457); 中国博士后科学基金 (2022M713253); 国防基础科研计划 (JCKY2021906B002)
收稿时间: 2024-01-11; 修改时间: 2025-06-03; 采用时间: 2025-06-27; jos 在线出版时间: 2025-12-10
CNKI 网络首发时间: 2025-12-11