Page 291 - 《软件学报》2026年第4期

1732 软件学报 2026 年第 37 卷第 4 期

FPR=1% 和 FPR=0.1% 时, TPR 分别达到 24.55% 和 20.41%, 显著优于其他基线模型. 然而, 在 D time 上 RMDroid
在 FPR=1% 时的 TPR 和 bACC 略低于 IMCFN, 但在更加严格的 FPR=0.1% 下 RMDroid 的检测性能优于基线方
法. 因此, RMDroid 的整体检测性能最好, 这表明 RMDroid 在适应恶意样本演化方面具有更强的泛化能力.
(2) 消融实验
首先, 为了充分地评估本文所提出 RMDroid 中各个模态特征 (即灰度图、API 调用序列与控制流图共 3 种模
态特征) 对有效性实验结果的影响, 本文进一步设计并实现 3 个相应的仅包含单模态特征的子模型, 即 RMDroid(img)、
RMDroid(api) 与 RMDroid(cfg). 具体而言, RMDroid(img) 单模态子模型中只利用灰度图模态特征, 不包含其他模
态特征, 因而也不包含相应的异类识别网络和鲁棒融合预测网络, 取而代之的是包含两层全连接网络和 Sigmoid
激活函数的预测网络. 以此类推, 本文同样可以构建另外两个单模态子模型 RMDroid(api) 和 RMDroid(cfg).
表 7 显示了 RMDroid 及其 3 个单模态子模型分别在 D rand 和 D time 两项数据集上的有效性实验结果. 一方面,
通过对表 7 中包括 RMDroid(img)、RMDroid(api) 与 RMDroid(cfg) 在内的 3 个模型变体的实验结果进行对比分析,
D rand 数据集上 D time 数据集上, RMDroid(img)
可以观察到, 在 RMDroid(cfg) 的所有有效性评价指标是最高的, 然而在
的 AUC 值以及当 FPR=0.1% 时相应 TPR 值和 bACC 值都略高于 RMDroid(cfg). 这表明在安卓恶意软件检测任务
中, 没有任何一种模态特征是完全优于其他模态特征的, 每种模态特征都有自己的优点和缺点. 另一方面, 如果将
完整的 RMDroid 与 3 个模型变体的实验结果进行对比分析, 可以观察到, 在 D rand 和 D time 两个数据集上 RMDroid
的所有 5 个有效性评价指标都显著地高于 RMDroid(img)、RMDroid(api) 与 RMDroid(cfg). 基于上述实验结果与
分析, 本文发现, 同时利用并学习安卓恶意软件的灰度图、API 调用序列和控制流图这 3 种模态特征可以显著地
提高安卓恶意软件检测方法的有效性, 因此进一步证明了本文所提出多模态特征融合学习的重要性.

表 7 RMDroid 与单模态子模型的有效性实验结果 (%)

FPR=1% FPR=0.1%
数据集 检测方法 AUC
TPR bACC TPR bACC
RMDroid(img) 95.63 60.22 79.61 17.50 58.71
RMDroid(api) 94.83 59.32 79.16 15.42 57.67
D rand
RMDroid(cfg) 98.60 89.27 94.13 66.83 83.37
RMDroid 99.52 93.55 96.27 75.84 87.87
RMDroid(img) 77.84 33.40 66.21 12.54 56.22
RMDroid(api) 73.76 15.84 57.44 0.40 50.19
D time
RMDroid(cfg) 75.71 35.53 67.27 9.70 54.80
RMDroid 83.96 41.76 70.38 23.10 61.51
注: 加粗数据表示结果最佳

其次, 为了充分评估本文所提出的 RMDroid 方法中各模态学习的特征向量维度 d 对有效性实验结果的影响,

本文在 D rand 和 D time 两个数据集上将 RMDroid 的特征向量维度 d 分别设置为 200、250、300、350 和 400 进行训
练和评估, 从而详细地对比 RMDroid 在使用不同特征向量维度时对应的恶意软件检测性能, 实验结果如表 8 所
示. 从表 8 中观察到, 整体上 RMDroid 的检测性能随着特征维度的增加呈现增长的趋势. 具体而言, 对数据集 D rand
而言, 特征向量维度设置为 d = 350 时, RMDroid 的检测性能最优, 特征维度 200 和 300 的检测性能大体上与 d =
D time 数据集而言, 在特征维度 300 下训练的 RMDroid 的有效性显著优
350 相近. 另一方面, 对更符合现实场景的
于 250 和 350 对应的模型性能, 尤其在 FPR=0.1% 的更严格的场景下, 其 TPR 和 bACC 都优于其他模型, 表现出
更高的稳定性. 因此, 综合考虑不同特征维度下 RMDroid 的检测性能以及维度增长带来的计算资源和训练时间开
销, 最终本文将特征维度默认值设置为 300.
最后, 如本文第 2.4 节所述, 本文提出的鲁棒融合学习使用异类识别网络来识别被扰动的模态, 从而避免被扰
动的模态对应的特征向量对最终预测结果造成较大的影响. 为了评估不同特征融合策略对 RMDroid 有效性的影
响, 本文将异类识别网络和鲁棒融合预测网络替换为不同的特征融合策略构造 RMDroid 变体进行对比, 即 RM-
Droid(vote)、RMDroid(pool) 和 RMDroid(conc). 具体而言, RMDroid(vote) 使用投票方式综合多个单模态子模型