积分商城

最新搜索： stm32f7 固件库 HFBR-0310Z光纤发射和接收电路 频率计 高频开关变换器的数字控制 multisim运放 NordicSemiconductor.nRF_DeviceFamilyPack.8.44.3.zip
您现在的位置是：首页 > 技术资料 > 云环境下基于函数编码的移动应用克隆检测
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

云环境下基于函数编码的移动应用克隆检测

更新时间：2019-12-31 08:58:04 大小：1M 上传用户：songhuahua查看TA发布的资源 标签：函数编码 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

提出了一种云环境下基于汇编函数层编码的App克隆检测方法，实现了Android应用克隆检测原型系统Pentagon。首先，针对App执行文件代码设计了二进制函数基本代码块特征提取方法；其次，提出了一种对二进制函数进行单调编码的算法，基于图形嵌入原理，融合执行流程图与函数代码基本块特征，形成每个函数代码的投影特征；最后，提出了一种高效的第三方库函数过滤方法，进一步提升了克隆检测效果。实验证明，所提方法具有97.6%的准确率，在实验条件下判定一个App克隆对只需要79ms，能够支撑云环境下应用市场级别的大规模克隆检测。


部分文件列表

文件名 大小
云环境下基于函数编码的移动应用克隆检测.pdf 1M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第 40 卷第 8 期  
2019 年 8 月  
通
信
学
报
Vol.40 No.8  
August 2019  
Journal on Communications  
云环境下基于函数编码的移动应用克隆检测  
杨佳 1，付才 1，韩兰胜 1，鲁宏伟 1，刘京亮 2  
（1. 华中科技大学计算机学院，湖北 武汉 430074；2. 北京航空精密机械研究所，北京 100876)  
摘 要：提出了一种云环境下基于汇编函数层编码的 App 克隆检测方法，实现了 Android 应用克隆检测原型系统  
Pentagon。首先，针对 App 执行文件代码设计了二进制函数基本代码块特征提取方法；其次，提出了一种对二进  
制函数进行单调编码的算法，基于图形嵌入原理，融合执行流程图与函数代码基本块特征，形成每个函数代码的  
投影特征；最后，提出了一种高效的第三方库函数过滤方法，进一步提升了克隆检测效果。实验证明，所提方法  
具有 97.6%的准确率，在实验条件下判定一个 App 克隆对只需要 79 ms，能够支撑云环境下应用市场级别的大规  
模克隆检测。  
关键词：克隆检测；函数编码；控制流程图；知识产权保护  
中图分类号：TP391.4  
文献标识码：A  
doi： 10.11959/j.issn.1000-436x.2019106  
Function encoding based approach for App clone  
detection in cloud environment  
YANG Jia1，FU Cai1，HAN Lansheng1，LU Hongwei1，LIU Jingliang2  
1. School of Computer Science & Technology, Huazhong University of Science and Technology, Wuhan 430074, China  
2. Avic Beijing Precision Engineering Institue Aircraft Industry, Beijing 100876, China  
Abstract： An efficient function-based encoding scheme in the cloud environment for detecting the cloned Apps was de-  
signed, called Pentagon. Firstly, a basic block feature extraction method was proposed. Secondly, a monotonic encoding  
algorithm for the App function was designed, which encoded the function based on the control flow graph structure and  
basic block attributes. Finally, a three-party libraries filtering method was proposed by using an efficient clustering algo-  
rithm based on the function feature. Experiments verified the effectiveness of the proposed scheme. The average search  
time is close to 79 ms, and the clone detection accuracy achieves 97.6%.  
Key words： clone detection, function encoding, CFG , intellectual property right protection  
Android 应用数量已经接近 140 万。这些移动应用  
1 引言  
已在办公、娱乐等各个方面深入人们的生活，成  
为不可或缺的一部分。  
近年来，随着移动智能终端设备的迅速发展，  
Android 应用占据了移动应用市场的主要份额。据  
统计，2017 年已有超过 15.5 亿部智能手机被使  
用，其中超过 80%的手机搭载了 Android 系统。  
海量规模的各类移动应用（App）投放在多个第  
三方应用市场供用户下载，例如谷歌应用市场中  
然而，由于 Android 系统的开放性和 Android 应  
用的易被破解性，许多非法开发者利用克隆技术或者  
反编译工具仿造出大量的克隆 App。目前，应用重打  
包已经成为恶意软件传播的主要途径之一。目前，有  
超过 85%的安卓应用存在重打包行为，这不仅侵害了  
收稿日期：2018-09-06；修回日期：2019-04-06  
通信作者：付才，
基金项目：国家自然科学基金资助项目（No.61572222，No.61772194，No.61272405）  
Foundation Item： The National Natural Science Foundation of China (No.61572222, No.61772194, No.61272405)  
2019106-1  
第 8 期  
杨佳等：云环境下基于函数编码的移动应用克隆检测  
·61·  
原开发者的知识版权和利益，也对移动用户的安全和  
隐私造成危害。此外，一些攻击者会修改原始 App  
中的函数逻辑，如去除 App 中的支付函数、修改原  
App 中的广告库，甚至插入各种各样的恶意代码，再  
用一个新的签名重新打包这些恶意 App。克隆 App  
在第三方应用市场中大量地被下载使用，严重干扰了  
应用市场的正常环境。为保护合法用户和原创开发者  
的正当权益，如何实现高效准确的 App 克隆检测是当  
前移动应用市场面临的技术挑战。  
法是利用代码的静态特征进行 App 克隆检测。但当  
恶意开发者对这些静态特征进行修改的时候，例如  
修改字段变量的常数或 API Call 的调用序列等，这  
种方法的正确率就无法得到保障。Rendezvous[13]  
在
二进制代码上使用代码搜索的办法进行克隆检测，  
这种方法有 2 个限制：首先，需要代码的 ngram 特  
征来提高准确率；其次，需要将整个 CFG 分为几  
个子图来处理。Pewny 等[14]提出了一种基于已知的  
漏洞签名的搜索方案，该方案计算二进制代码块  
的语义散列来进行函数的克隆比较，然而这种方  
案并不高效。Feng 等[15]提出了基于控制流程图的  
恶意代码检测方案，但是需要复杂的图匹配过程。  
2) App 克隆检测  
由于 App 市场的规模庞大，App 的数量不断  
快速增长，仅基于本地的计算资源进行 App 克隆  
检测会因为硬件配置较低而出现计算能力有限、  
电源功耗过高等问题，本地检测技术已不能满足  
百万数量级的 App 分析需求。移动互联网中的云  
计算、大数据及虚拟化技术为解决大规模 App 克  
隆检测问题提供了技术支撑。本文基于云环境提  
出了一种高效 App 克隆检测方法，构建了检测原  
型系统，提高了 App 克隆检测的效率，能有效应  
对大规模 App 克隆检测挑战。  
传统方法检测恶意 App 主要通过权重很大的  
静态和动态特征来进行黑白名单检测，但是不能检  
测未知的恶意代码，如果之前并没有收录这种恶意  
代码，则无法进行检测。例如，Zhou[16]利用软件权  
限、API 调用顺序等静态特征进行检测，但是仅利  
用这些静态特征进行检测会导致较低的准确率。  
David[17]能够自动划分一个函数调用图的社区结  
构，这些划分的社区结构能够用于新的恶意代码检  
测。Arp 等[18]提出一种新的轻量级的检测方案，这  
种方案从安卓应用中提取八类特征，然后对这些特  
征用 SVM 进行分类实现检测[3]。  
许多研究者提出了多种 App 克隆检测技术，  
主要有以下三类：基于简单散列特征提取的技术[1]、  
基于静态语义特征提取的技术[2-6]、更加复杂有效  
的基于 Android 应用 UI 结构特征的提取技术[7-10]  
。
第三类检测技术中基于 UI 结构特征的检测方法  
主要分析用户接口之间的使用相似度进而判断  
3) 动态检测  
App 是 否 克 隆 。 目 前 ， Androguard[11]  
和
该检测方式需要 App 在一个虚拟的环境下运  
行，从动态特征中提取信息。Andrubis[19]即是动态  
地进行检测，但是耗时过长。Enck[20]提出了一个系  
统 Taintdroid，通过追踪敏感信息的流动来进行克隆  
行为的检测，这种方法同样非常耗时，在效率上有  
所欠缺，无法应对大规模的检测。  
FSquaDRA[12]是用于 App 克隆检测的主要公用工  
具。Androguard 能够在 Dalvik 字节码层进行比较，  
FSquaDRA 能够基于源文件进行相似度分析。然  
而这些研究还存在以下问题：基于散列值和某一  
特定静态语义分析方案的适应性还需增强，例如，  
在克隆中使用代码混淆可避免被基于静态语义特  
征的方法检测出来；而 UI 结构特征提取方案需要  
提取整个 App 的 UI 调用结构，同时需要复杂的  
图匹配计算来比较 App 相似度，因此对于小结构  
UI 图的 App 难以达到较好的检测效果。  
实现云环境下高效的函数层 App 克隆检测方  
案存在以下一些困难和挑战。  
1) 相比面向源代码的克隆分析，移动应用 App  
中基于可执行字节码的克隆分析更为复杂。移动应用  
的源码并不能轻易获取，同时，Android 应用中大量  
使用的代码混淆技术也给重打包检测增加了难度。  
2) 海量的应用规模为克隆检测效率提出了  
更高的要求。随着各类 Android 应用的普及，App  
应用数量呈现出飞速增长的趋势，通过 App 的  
UI 调用图或者动态分析等方法都无法应对大规  
模级别的克隆分析。  
本文主要从以下 3 个方面来讨论目前的工作。  
1) 二进制层函数克隆检测方案  
在二进制层的克隆检测方案中，一种通用的方  
法是使用基于函数执行序列的路径进行代码相似  
度检测。这种方法能够检测控制流程图（CFG,  
control flow graph）的变化，但是不能准确地检测  
在不同平台或者代码混淆下的函数克隆。另一种方  
3) 移动应用中第三方库函数的大量使用干  
2019106-2  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号