Page 275 - 《软件学报》2026年第4期

1716 软件学报 2026 年第 37 卷第 4 期

4
(College of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China)
5
(Network and Information Security Laboratory of Hangzhou Hikvision Digital Technology Co. Ltd., Hangzhou 310052, China)
Abstract: With the booming development and wide application of artificial intelligence, more and more deep learning-based Android
malware detection methods and tools have been developed to detect newly emerged Android malware. However, deep learning models
have been extensively proven to be vulnerable to adversarial attacks. Meanwhile, attacker shave started to propose adversarial attacks
against Android malware detection methods to generate adversarial Android malware that can bypass detection. This study argues that the
main reason current Android malware detection methods are vulnerable to such adversarial attacks is that these detectors are mostly built
on single-modal features, which can be easily manipulated by attackers. Therefore, to improve the robustness of Android malware detection
against adversarial attacks, the study proposes a robust Android malware detection method based on multi-modal fusion learning, namely
RMDroid. RMDroid improves robustness in identifying adversarial malware without sacrificing accuracy in general Android malware
detection. Specifically, RMDroid first extracts feature information from different modalities of Android APPs and then uses the
corresponding deep learning models to sufficiently learn feature vectors that characterize the deep semantics of each modality. Finally, an
odd-one-out network is employed to reduce or even eliminate the influence of interfered modal features on the final malware prediction,
thus improving robustness against adversarial attacks. The experimental results show that RMDroid achieves higher performance across
five effectiveness metrics and one robustness metric compared to all baseline detection methods. In particular, given the same FPR, the
TPR value of RMDroid is more than 10% higher than that of the best baseline detection method. In the case of the state-of-the-art
adversarial attack of HRAT, RMDroid achieves over 96% in robustness, which is significantly higher than the robustness of both
MaMaDroid and MalScan.
Key words: Android malware; robust detection; adversarial attack; multi-modal learning; fusion learning

安卓 (Android) 是一款基于 Linux 内核开发且面向移动设备的开源移动操作系统. 相比于其他移动操作系统,
安卓系统具有高度的开放性和自由性, 开发人员可以自由地定制、修改和新增不同功能用以满足不同应用场景的
需求 (例如, 智能手机、平板电脑、智能电视、智能手表、智能家居、可穿戴设备等), 从而可以给大量移动终端
用户带来便捷、智能和人性化的用户体验. 根据全球知名市场研究咨询公司 Strategy Analytics 的调研, 2022 年全
球销售的所有移动终端中安卓的份额占比最高, 占有率达到 81%, 持续占据了全球市场中移动操作系统霸主地
位 [1,2] .
随着安卓操作系统在人们日常工作、生活和娱乐中的广泛使用和普及, 大量针对安卓操作系统的恶意软件也
随之应运而生, 并且成为当前移动互联网上最大的安全威胁之一. 具体而言, 安卓恶意软件主要指在未经用户允许
的情况下被安装到安卓操作系统并且执行恶意行为 (例如, 破坏移动设备功能、收集用户隐私信息、恶意地消耗
资源或者扣费等) 的应用程序. 常见的安卓恶意软件包括广告软件、手机木马、勒索软件等. 根据全球知名网络安
全公司卡巴斯基的统计, 2022 年总共检测出 1 661 734 个新的恶意软件安装包, 并且相关安卓恶意软件在官方应用
商店 Google Play 和其他第三方应用商店内广泛传播, 对大量的用户造成严重的安全威胁 [3] . 特别地, 2022 年卡巴
斯基公司新检测到安卓木马程序 Harly, 仅在官方应用商店 Google Play 上的下载量就超过 480 万, 不仅可以窃取
用户隐私数据, 而且恶意订阅用户不需要的付费服务 [4] . 此外, 在统计所有受到恶意软件攻击影响的国家之中, 中
国的移动终端用户被攻击的比例最高, 达到 17.70% . 上述统计都表明安卓恶意软件已经严重威胁终端用户乃至
[3]
国家安全.
为此, 如何及时且准确地检测安卓操作系统中存在的恶意软件一直是学术界的研究热点 [5] , 同时工业界中大
量知名的安全公司也持续推出针对安卓平台的恶意软件检测工具, 包括 Google Play Protect 、Norton Mobile
[6]
[7]
Security for Android 、腾讯手机管家 [8] 、360 手机卫士 [9] 等. 一般而言, 这些安卓恶意软件检测方法和工具主要可
以分成基于应用程序静态特征的静态检测方法和基于应用程序运行时动态特征的动态检测方法. 静态检测方法通
常不需要实际运行应用程序, 直接对应用程序的代码或文件本身进行分析, 而动态检测方法通过使用沙箱 [10] 、模
拟器等工具来监测和分析应用程序运行时的行为来检测恶意软件. 传统的基于签名或特征匹配的恶意软件检测方
法属于静态检测方法的范畴, 主要通过分析待测软件与恶意软件库的签名或者特征之间的相似度来判断待测软件
是否为恶意软件 [11−13] . 显然, 这类检测方法不仅需要安全专家手工挖掘和更新大量安全规则, 而且无法检测新出现
的恶意软件库之外的恶意软件 [13] .