DamFlow：防止Android应用中大量无关数据的涌入

《ACM Transactions on Software Engineering and Methodology》：DamFlow: Preventing a Flood of Irrelevant Data Flows in Android Apps

提出DamFlow方法，结合反向污点分析和上下文感知异常检测，有效减少误报并发现传统方法遗漏的数据泄漏，提升FlowDroid实用性。

　　

摘要

目前已有诸如FlowDroid这样的先进工具被用于检测Android应用程序中的数据泄露问题，但仍存在两个主要挑战：①误报；②未被发现的数据泄露。造成这些挑战的一个原因是，FlowDroid这类工具依赖于预先定义的敏感隐私源代码和目标代码API方法列表。生成这样的列表非常复杂；不完整或不准确的列表不仅会导致误报（即检测到无关的数据流），还会遗漏实际的数据泄露。此外，数据泄露具有很强的上下文依赖性。例如，来自导航应用中的GPS数据是正常现象，但在计算器应用中出现同样的数据流则可能令人怀疑。即使FlowDroid识别出了数据从源代码流向目标代码的路径，该路径也可能与隐私分析无关，从而进一步增加误报的概率。

为了解决这些问题，我们提出了一种名为DamFlow的新方法。该方法结合了逆向污染分析（backward taint analysis）和基于上下文的异常检测（context-aware anomaly detection），既能防止大量无关数据流的干扰，又能发现现有方法遗漏的数据泄露。我们的评估结果表明，DamFlow显著减少了每个应用程序报告的数据泄露数量，并发现了之前未被发现的数据泄露，提升了FlowDroid在实际数据泄露检测中的实用性。