Page 294 - 《软件学报》2026年第4期

凌祥 等: RMDroid: 基于多模态融合学习的安卓恶意软件鲁棒检测 1735

API 调用图等), 因此大部分基线检测方法的鲁棒性都非常低, 特别是针对 API 模态设计实现的 HRAT 对抗攻击方
法几乎可以 100% 地绕过 MaMaDroid 和 MalScan 两类最新基于 API 的安卓恶意软件检测方法.
接着将与所有基线检测方法的鲁棒性实验结果进行对比分析. 从表 10 中可以观察到, 相比于 D time 数据集, 尽
D time 上, 在 COPYCAT、GADGET 和 HRAT 这 3 种对抗攻击方法攻击情况下的鲁
管在更符合实际场景的数据集
棒性 Robust 值分别有不同程度的降低, 但是在所有实验情况下的鲁棒性 Robust 值都远高于其他基线检测方法. 特
别地, 在利用 HRAT 进行攻击情况下, MaMaDroid(f)、MaMaDroid(p) 和 MalScan 这 3 个基线检测方法的最高鲁
棒性 Robust 值只有 2.99%, 然而 RMDroid 却表现出较高的鲁棒性, Robust 值高达 96.70%. 上述的实验结果与分析
表明, 由于本文所提出的 RMDroid 融合学习了 3 种模态特征, 并利用异类识别网络降低甚至消除受到对抗攻击的
模态特征对最终恶意软件检测结果的影响, 从而在所有实验情况下都表现出比基线检测方法更高的鲁棒性.
最后, 为了分析各个模态特征对鲁棒性实验结果的影响, 本文进一步分析与各个单模态检测方法的对比实验
结果. 表 11 展示了 RMDroid 及其 3 个单模态子模型分别在 D rand 和 D time 两项数据集上的鲁棒性实验结果. 一方面,
通过对表 11 中 RMDroid(img) 和 RMDroid(api) 两个变体的单模态检测方法的实验结果进行对比, 可以明显地观
察到 RMDroid(img) 的鲁棒性 Robust 值在各种实验条件下均高于 RMDroid(api), 这表明相较于 API 调用模态特
征, 灰度图模态特征更不容易被对抗攻击所干扰. 另一方面, 如果将完整的与变体的单模态检测方法进行对比, 本
D time 两个数据集上, 还是在 FPR=1% 和 FPR=0.1% 两种情况下, RMDroid 的鲁棒性评价
文发现, 不论是在 D rand 和
指标都显著地高于 RMDroid(img) 与 RMDroid(api). 因此, 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 种模态特征也可以显著地提高安卓恶意软件检测方法的抵
御对抗攻击的鲁棒性, 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 11 RMDroid 与单模态子模型的鲁棒性实验结果 (%)

检测方法 鲁棒性 Robust 值
数据集
设置 名称 COPYCAT GADGET HRAT
RMDroid(img) 49.94 － －
RMDroid(api) － 0.21 3.31
FPR=1%
RMDroid(cfg) － － －
RMDroid 90.70 100 99.81
D rand
RMDroid(img) 45.45 － －
RMDroid(api) － 0 4.35
FPR=0.1%
RMDroid(cfg) － － －
RMDroid 81.00 100 100
RMDroid(img) 47.00 － －
RMDroid(api) － 0.13 0
FPR=1%
RMDroid(cfg) － － －
RMDroid 65.40 91.24 96.70
D time
RMDroid(img) 45.06 － －
RMDroid(api) － 0 0
FPR=0.1%
RMDroid(cfg) － － －
RMDroid 59.00 93.25 97.65
注: “－”代表该攻击方法无法被用于攻击相应的目标检测方法, 加粗数据表示结果最佳

4 总结与展望

针对当前安卓恶意软件检测方法面临对抗样本攻击的严重安全威胁, 本文认为基于单一模态特征的恶意软件
检测方法很容易被攻击者所操控, 并据此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, 可以在不
影响针对一般性安卓恶意软件检测准确率的基础上, 大幅度提高其识别对抗性恶意软件的鲁棒性. 具体而言, 首先
从待测安卓软件中提取与挖掘不同模态的特征信息, 然后分别利用相应的深度学习模型充分地学习相应模态的特