MVRFDet：基于多视图表示融合的PyPI生态系统中恶意软件包检测算法

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：MVRFDet: Malicious package detection in PyPI ecosystem using multi-view representation fusion

　　

• •
  一种基于多视图表示融合的PyPI恶意软件包检测方法。
• •
  利用大语言模型和中心性分析实现敏感API列表的离线自动提取。
• •
  设计通道注意力机制以实现多视图表示的自适应融合。

引言

随着Python编程语言的广泛应用及其生态系统的快速发展，Python包索引（PyPI）已成为全球开发者共享和获取软件组件的重要平台[1]。然而，作为主流的开源软件仓库，PyPI的开放性和易用性也吸引了众多攻击者，他们上传伪装成合法工具的恶意软件包，给下游用户和项目带来严重的安全威胁。因此，准确高效地检测PyPI生态系统中的恶意软件包已成为亟需解决的关键问题[2]。

在PyPI生态系统中检测恶意软件包对于维护软件供应链的安全至关重要。首先，一旦恶意软件包成功发起攻击，就会给用户和组织造成巨大的经济损失和敏感数据泄露，影响范围极为广泛。其次，攻击者采用的攻击手段越来越复杂隐蔽，现有的检测方法难以有效识别新型恶意行为，增加了防御难度[3]。

目前，已有部分研究致力于解决恶意软件包检测问题，但仍有诸多不足之处[4]。现有的检测方法主要采用两种技术路径：静态分析和动态分析。静态分析方法可进一步分为基于签名的方法[5]、基于规则的方法[6]、[7]、基于元数据的方法[8]、传统的机器学习方法[9]、[10]、[11]以及基于大语言模型（LLM）的方法[12]、[13]、[14]。动态分析方法[15]、[16]则通过监测软件包在隔离环境中的实际安装和执行行为来判断其恶意性质，这种方法是针对代码混淆和伪装的有效手段，能够直接捕捉软件包的真正恶意行为。

静态分析的主要瓶颈在于，虽然基于签名、规则和元数据的方法效率较高，但它们缺乏运行时行为信息，且会产生大量误报[17]。而动态分析方法虽然检测效果较好，但却需要大量的资源和时间，无法满足软件包注册中心大规模实时检测的需求[4]。传统的机器学习方法在模型训练时需要手动选择特征，其效果在很大程度上取决于特征的质量[18]。结合大语言模型的检测方法虽展现出良好前景，但仍存在检测时间较长的问题[12]、[13]、[14]。上述分析凸显了一个关键挑战：如何在时间限制的前提下准确检测恶意软件包？最新的风险评估研究表明，未打补丁的软件、薄弱的访问控制、人为错误以及有限的安全专业知识都是导致系统漏洞的重要因素[19]。这些发现进一步推动了开发自动化、可扩展的机制，在恶意软件包影响下游系统之前将其检测出来。回顾现有的检测方法，大多数方法仅使用单一视角的特征，这类特征往往存在局限性，容易出现误报或漏报。如何实现对软件包的多视图表示，并构建多层次、全方位的表示融合检测系统，是应对日益复杂和隐蔽的恶意软件包投毒攻击的必然趋势。

基于上述分析和思考，为解决上述问题，我们提出了一种名为MVRFDet的新方法。MVRFDet利用多视图表示融合以及离线大语言模型的强大分析能力，克服了现有方法的局限性，实现了对恶意软件包的准确高效检测。具体而言，首先，MVRFDet会提取软件包的元数据特征；接着，通过静态分析从软件包的源代码中提取API调用图，对其编码以获得全局的粗粒度图结构特征；再利用大语言模型自动生成的敏感API列表，在调用图中定位可疑API，进而从源代码中提取对应的可疑API代码片段；随后，构建控制流图并编码代码语义信息，从而提取细粒度的图结构特征和代码语义特征；最后，通过注意力机制融合来自元数据、图结构和代码语义三个视角的特征，实现准确的恶意软件包分类。

为了评估MVRFDet的效果，我们在从Guo等人[20]、MalwareBench [21]、OSCAR [15]以及官方PyPI数据集[22]中收集的混合数据集上进行了大量实验。实验结果表明，与八种基准方法相比，MVRFDet在所有性能指标上的表现均最为优异。具体来说，该方法的精确度提升了2.5%–24.8%，召回率提升了4%–18.3%。消融实验和参数敏感性分析进一步验证了该模型各组成部分设计的合理性以及最优超参数的选择。此外，检测效率的评估结果显示，MVRFDet在运行时开销与检测性能之间取得了更好的平衡。

本工作的贡献可总结如下：

• •
  我们提出了基于多视图表示融合的新的PyPI恶意软件包检测方法MVRFDet，该方法通过融合软件包的元数据、图结构和代码表示来构建检测器。
• •
  我们提出了一种结合中心性分析和大语言模型的方法，可实现敏感API列表的离线自动提取，而且随着恶意行为的发展，该列表还能自动更新。
• •
  我们设计了通道注意力模块，用于自适应地为不同视角的表示分配融合权重。
• •
  我们进行了大量实验，以评估和验证MVRFDet的效果。

本文的结构如下：第2节介绍背景和相关工作；第3节阐述研究动机及所提出的MVRFDet方法；第4节展示评估结果，包括实验环境、实现细节、基准方法、实验结果及讨论内容；第5节分析和阐述该方法存在的局限性；第6节总结全文并指出未来的研究方向。

章节摘要

开源软件供应链中的安全威胁

为系统地了解开源软件（OSS）供应链复杂的威胁形势，研究人员从整个生命周期和关键环节两个角度展开了深入研究。

在宏观分类层面，Ladisa等人的开创性工作[3]构建了一种覆盖开源软件包从引入、开发、构建到分发和运营整个生命周期的攻击分类方法，为相关研究提供了清晰的框架

研究方法

在本节中，我们首先阐述研究动机，然后详细介绍MVRFDet这一用于检测PyPI生态系统中有害软件包的新颖且有效的方法。

评估与结果

在本节中，我们首先介绍实验设置，然后详细分析实验结果。为全面评估MVRFDet方法，我们提出了以下研究问题并予以解答：

• •
  RQ1 效果评估：与其它最先进的基准方法相比，MVRFDet在检测PyPI恶意软件包方面的效果如何？
• •
  RQ2 消融研究：不同组件的设计如何影响MVRFDet的检测效果？
• •
  RQ3 效率评估：该方法的

讨论与局限性

尽管我们的MVRFDet取得了出色的成果，但为了进行全面评估，仍需对其缺陷以及在实际应用中可能遇到的障碍进行深入分析。

离线敏感API知识库构建带来的潜在威胁。 MVRFDet中的敏感API列表是通过经过验证的恶意软件包离线构建的，可作为用于定位可疑API的可复用安全知识库。这种设计反映了实际的安全部署场景，

结论与未来方向

在本文中，我们提出了一种名为MVRFDet的新型多视图表示融合检测方法，用于应对PyPI生态系统中日益严重的恶意软件包威胁。MVRFDet通过融合软件包的元数据、图结构以及代码语义表示，构建了一个多层次、全方位的检测模型。为降低运行时开销并减少对专家经验的依赖，我们还提出了一种结合中心性分析的离线自动敏感API列表提取方法

CRediT作者贡献说明

颜佳乐：论文撰写——初稿撰写、可视化处理、验证工作、软件实现、方法设计、问题研究、数据整理。赵波：论文撰写——审阅与编辑、研究指导、资源协调、问题研究、资金筹措。

利益冲突声明

作者声明，他们不存在任何可能影响本文所述研究的已知财务利益关系或个人关系。

Jiale Yan|Bo Zhao