欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104827821
申请人: 天津理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2025-12-24
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于机器学习的安卓隐私泄露检测方法,其特征在于它包括以下步骤:

(1)收集安卓应用软件样本,筛选与隐私泄露相关的关键特征;

(2)对步骤(1)筛选后的特征进行提取和处理,进行向量化表示;

(3)将根据步骤(2)向量化后的特征信息输入到Stacking模型进行训练,使用五折交叉验证方法降低过拟合的概率,同时优化安卓隐私泄露检测模型,并输出优化后的模型;

(4)根据步骤(2)提取安卓应用软件所申请的敏感权限特征信息和敏感API特征信息,并结合步骤(3)所得到优化后的模型进行安卓隐私泄露检测,判断应用软件是否具有隐私泄露的风险,若模型检测结果为“1”,代表安卓应用软件具有隐私泄露的风险;模型检测结果为“0”,代表安卓应用软件不具有隐私泄露的风险。

2.根据权利要求1所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述步骤(1)中安卓应用软件样本是由两部分构成;其中一部分是利用爬虫方法在应用商店获取的安卓应用软件,另一部分是工信部所发布的违规安卓应用软件名单中具有隐私泄露风险的样本;并在此样本集中随机划分出样本集的70%作为训练数据集,30%作为测试集。

3.根据权利要求1所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述步骤(1)中的筛选具体是指:从收集到的安卓应用软件样本中随机抽取30%的样本集,收集安卓应用软件权限信息,将安卓应用软件权限按照被调用频率从高到低进行排序,并与安卓官方所声明的24个危险级别权限进行对比,确定敏感权限特征信息,选取与隐私数据相关的API和与敏感权限特征信息相关的API,确定敏感API特征信息,将筛选后的敏感权限特征信息和敏感API特征信息作为本检测方法的关键特征。

4.根据权利要求1所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述步骤(2)具体是指:提取安卓应用软件的关键特征,使用AAPT工具获取安卓应用软件所申请的权限信息,动态安装运行安卓应用软件,使用Xposed框架进行实时监控,截获并记录安卓应用软件的敏感API特征信息,再使用One‑Hot编码方法对截获的敏感权限特征信息和敏感API特征信息进行向量化表示。

5.根据权利要求4所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述使用AAPT工具获取权限信息具体是指:使用AAPT中的“aapt d permissions”语句获取安卓应用软件的权限列表;

所述使用Xposed框架进行实时监控,截获并记录安卓应用软件的敏感API特征信息具体是指:使用Android Studio软件编写Hook模块,向模块中加入Log语句,安卓应用软件调用敏感API特征信息后,模块输出Log语句,进行最终记录;

所述使用One‑Hot编码方法对截获的敏感权限特征信息和敏感API特征信息进行向量化表示具体是指:将提取到的安卓应用软件的敏感权限特征信息和安卓应用软件的敏感API特征信息进行One‑Hot向量化转换,即:若安卓应用软件申请的权限信息为敏感权限,则此时向量化表示为1;若没有申请敏感权限,则向量化表示为0,将进行One‑Hot向量化转换后的特征信息按照敏感权限特征信息在前,敏感API特征信息在后进行排列,形成一个n*1大小的矩阵序列。

6.根据权利要求5所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述敏感权限特征信息包括在安卓应用软件的良性应用软件和隐私泄露风险应用软件中被申请频率较高的权限特征、安卓官方声明危险权限特征以及前两者之间的重叠权限特征;

所述敏感API特征信息包括与敏感权限相对应的API、可执行敏感操作的API以及与隐私泄露相关的API;

所述隐私泄露风险安卓应用软件是具有危险级别权限特征的安卓应用软件或具有会造成隐私泄露问题的普通级别权限的安卓应用软件;所述具有危险级别权限特征的安卓应用软件是能够通过获取手机设备信息导致用户个人隐私数据泄露的安卓应用软件,且具有隐私泄露风险的安卓应用软件会申请危险级别的权限;所述具有会造成隐私泄露问题的普通级别权限的安卓应用软件是指利用恶意软件通过申请普通级别权限但存在隐私泄露风险的安卓应用软件。

7.根据权利要求1所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述步骤(3)中的Stacking模型是由两层结构组成,第一层为基学习器,是由逻辑回归、朴素贝叶斯和K‑近邻算法三个初级分类器共同构成,第二层为结合学习器,由支持向量机算法构成。

8.根据权利要求1所述一种基于机器学习的安卓隐私泄露检测方法,其特征在于所述步骤(3)中的五折验证方法具体是指:

(3‑1)使用三个初级分类器对初始训练集train进行训练,将该初始训练集train划分为五个大小相似的集合(t1,t2,t3,t4,t5),将其中的四份作为训练集traini(0<i≤5),最后一部分作为测试集testy(0<y≤5);

(3‑2)使用Stacking模型第一层的三个初级分类器对训练集traini(0<i≤5)进行训练,得到最终的预测结果(p1,p2,p3,p4,p5),该结果同时作为次级分类器的训练集trainm(0<m≤5);同样,利用三个初级分类器对测试集testn(0<n≤3)进行预测,得到T1、T2、T3结果;将对训练集和测试集预测后的每个结果进行组合,即可得到新的训练集train3和测试集test2,其组合如公式(1)所示;

(3‑3)将步骤(3‑2)进行五次,逐一使用步骤(3‑1)中所划分的五份集合为测试集,最终生成五份训练集和五份测试集;

(3‑4)将步骤(3‑2)所生成的训练集和测试集进行合并,分别作为Stacking模型第二层结合学习器的训练集和测试集;

(3‑5)第二层结合学习器是支持向量机的模型,使用第一层生成的训练集进行模型的优化训练,并利用第一层生成的测试集进行训练,其组合如公式(2)所示。

9.一种用于实现上述方法的安卓隐私泄露检测系统,其特征在于它包括数据集获取模块、关键特征选取模块、安卓应用软件特征提取以及预处理模块和Stacking集成学习训练模块;其中,所述数据集获取模块用于获取所需的安卓应用软件样本;所述关键特征选取模块用于对权限以及API特征进行筛选;所述安卓应用软件特征提取以及预处理模块用于对安卓应用软件进行信息提取和加工;所述Stacking集成学习训练模块将安卓应用软件特征提取以及预处理模块处理后的特征信息输入模型进行训练,并进行安卓隐私泄露检测模型优化,输出优化后的模型,并利用优化后的模型进行安卓隐私泄露检测,判断应用软件是否具有隐私泄露的风险,以验证最后效果。