1.一种基于API依赖关系图的安卓恶意代码检测方法,用于审核软件开发者提交的安卓应用软件,检测软件是否带有恶意行为,其特征在于,该方法包括下述步骤:S1、对应用软件的语义进行分析,生成API依赖关系图;
S2、在数据库中使用基于聚合的索引方法对给定的API依赖关系图进行相似度查询,存在正常代码和恶意代码的API依赖关系图API-DRG数据库,在API-DRG数据库中查询与给定的图最相似的依赖关系图,使用基于聚合的索引方法去提高查询效率和可扩展性,每个聚合由与API-DRG数据库中API相关联的位矢量组成,位矢量表示该API所在的软件包是否出现在该依赖关系图中,将给定软件的位矢量和聚合里的矢量相比较,找到相应的索引,从而查询到与给定软件相匹配的依赖关系图;
S3、通过数据库NormalDB和MalwareDB分别完成异常检测和签名检测,然后完成恶意代码检测与分类,利用异常检测去探测该软件是否是恶意软件;如果该软件是恶意软件,使用签名检测去确定该恶意软件的病毒类型。
2.根据权利要求1所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,步骤S1中,对应用软件的语义进行分析的具体方法为:结合JAVA分析工具Soot框架,使用静态分析方法,执行图形生成程序,将安卓软件的字节码转换为相应的API依赖关系图API-DRG,该分析过程包括分析API的调用,利用上下文感知、数据流感知和模块间的数据流的分析方法,获得API调用引用参数和调用返回值,提取常量参数,确定API调用之间的数据依赖关系。
3.根据权利要求2所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,还包括基类的调用入口发现步骤,通过递归回溯的算法确定基类的调用入口,具体过程如下:任意选择一个调用,递归回溯分析它与前一个调用存在的依赖关系,直至发现一个不被其它API调用的入口,这即是唯一一个该类的入口。
4.根据权利要求2所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,所述API依赖关系图由一些拥有依赖关系的API组成,在依赖关系图中,API作为点、API之间的依赖关系为边,而对于边的标记分为两类,一种是由API原型、入口点、常量系统组成;第二种是涉及安卓安全级别的权重。
5.根据权利要求1所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,步骤S2中,还包括将两个依赖关系图的相似度进行量化,计算图形相似度,图形相似度是这个图形转变另外一个图形的成本,即为了变成另外一个图形,删除旧的点和新建点的成本,而这个成本被称为带权重图形的编辑距离,以下有两个公式得出两张图之间转变成:公式一:
公式一中,wgdist(G,G',α)为图形G转变至图形G’的最小成本,α是统一计算权重的函数,V和V’分别是两个图形的顶点,VI和VD分别是在图形G新增的边和在图形G删除的边;
公式二:
公式二中,wgmaxdw(G,G',α)为图形G和G’之间转变的最大编辑成本,φ为空图。
6.根据权利要求5所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,步骤S2中,还包括API依赖关系图中关键API的选择,因为为每个API分配权重和进行相似性匹配是不现实的,所以需选择与系统安全相关的关键API,为了能发现这些API,采用概念学习方式,通过恶意代码的正面样本集合和正常代码的反面样本集合出现的频率来决定关键API标记,所选的API将对恶意代码更加敏感。
7.根据权利要求5所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,步骤S2中,还包括API依赖关系图中API的权重分配能自动化,为了最优化给API自动分配权重,将API-DRG中同类型的图形相似度与不同类型的图形相似度之间的差值最大化,此时的权重矢量即是最优化的权重分配,通过以下公式求得最佳权重矢量:当v是关键API顶点时,1≤α(v)≤δ;否则α(v)=1;
公式中α是权重函数,δ是最大的权重值;
结合上面公式,通过使用局部择优的算法,通过循环计算该公式,求得最佳的权重矢量。
8.根据权利要求1所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,步骤S3中,所述异常检测具体为:首先建立正常代码的API-DRG数据库NormalDB,然后将要检测的软件的依赖关系图与数据库NormalDB中图形比较,查询数据库中是否存在跟它相似的图形,如果数据库中不存在一个图形与要检测软件的图形的相似度分数wgmaxdw(G,G',α)等于或大于设置的阈值ξ,即判定该软件异常。
9.根据权利要求1所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,所述签名检测具体为:从安卓恶意软件Genome项目中提取里面恶意软件的API-DRG,建立恶意代码的API-DRG数据库MalwareDB,然后去除数据库MalwareDB中相似度高的图形,保证数据库中每个图形具有自己的独特性,并分别代表不同类恶意软件,给定一个恶意软件样本,为其生成API-DRG图形,然后在上面说的恶意代码数据库MalwareDB中查询是否存在相似的图形,将给定的API-DRG图形与数据库MalwareDB中所有图形比较,形成相应的相似度系数wgmaxdw(G,G',α),将这些系数输入到特性矢量中,已知样本代码的特性矢量,对应着恶意代码种类标签,这样分类器能将样本和不同种类恶意代码相匹配,最后对恶意代码进行分类。
10.根据权利要求1所述基于API依赖关系图的安卓恶意代码检测方法,其特征在于,采用恶意代码分类器进行或 Bayes算法来对恶意软件进行分类。