DMLDroid：一种对代码混淆和对抗性扰动具有鲁棒性的 Android 恶意软件检测深度多模态融合框架

《Journal of Network and Computer Applications》：DMLDroid: Deep multimodal fusion framework for Android malware detection with resilience to code obfuscation and adversarial perturbations

　　

摘要
近年来，随着基于学习的技术的采用，Android 恶意软件检测取得了 rapid 进展，这些技术通常将应用程序代码作为文本、图像或图进行分析。尽管性能强劲，但这些方法在实际应用中往往面临挑战，尤其是当恶意软件使用代码混淆来隐藏其恶意行为或利用对抗样本 (AEs) 时，后者是故意修改的输入，旨在误导检测系统。深度多模态学习作为一种有前景的解决方案脱颖而出，它利用多种特征类型的优势来增强鲁棒性和泛化能力。然而，针对准确性和韧性的多模态融合的系统性研究仍然不足。在本研究中，我们提出了 DMLDroid，一种基于多模态融合的 Android 恶意软件检测系统，它利用恶意软件特征的三种不同表示，包括权限与意图（基于表格）、DEX 文件表示（基于图像）和 API 调用（基于图衍生的序列）。我们对每种特征进行了独立的穷举实验，并采用不同的中间融合策略进行了组合实验。其中，我们提出了一种轻量级的动态加权融合 (DWF) 机制，为每种模态分配一个单一的可学习权重，从而实现对异构特征的可解释且计算高效的加权整合。在 CICMalDroid 2020 数据集上的实验结果表明，所提出的多模态框架在原始恶意软件检测中达到了 97.98% 的准确率和 98.67% 的 F1 分数，同时在混淆和对抗攻击场景下均保持了超过 98% 的准确率和 98% 的 F1 分数。此外，与其他中间融合机制相比，DWF 减少了计算开销。这些结果表明，精心设计的多模态融合显著提高了针对规避性 Android 恶意软件的鲁棒性，同时仍适用于实际部署。

引言
随着 Android 平台的持续增长，在 190 个国家拥有超过三十亿活跃用户（Curry, 2025），Android 恶意软件已成为主要的网络安全威胁。为了避免执行应用程序的开销，大多数基于学习的恶意软件检测系统依赖静态分析。Android 恶意软件静态分析大致可分为三类：基于字符串的方法、基于图像的方法和基于图的方法。

基于字符串的方法从 APK 文件中提取信息序列（如权限和 API 调用），并将其编码为恶意软件检测的特征。例如，Elayan 和 Mustafa (2021) 将 API 调用和权限与基于 GRU 的模型相结合，在 CICAndMal2017 数据集上实现了 98.2% 的准确率。基于图像的方法将 APK 或 DEX 文件转换为视觉表示，并应用图像分类技术来区分良性和恶意应用程序。V. Ravi 和 Chaganti (2023) 评估了 26 个预训练 CNN 模型，并表明基于 EfficientNet 的融合架构在多个数据集上具有强大的泛化能力。基于图的方法通过构建函数调用图 (FCGs)、控制流图 (CFGs) 和 API 调用图 (ACGs) 等图，捕捉 APK 内部的结构和语义关系。这些表示非常适合图神经网络 (GNNs)，后者通过从恶意软件图中学习富有表现力的嵌入，展示了最先进的性能 (Bilot et al., 2024)。与传统的机器学习 (ML) 和深度学习 (DL) 模型相比，基于 GNN 的方法能更好地捕捉复杂的行为依赖关系，使其成为恶意软件检测的一个有前景的方向。最近的进展进一步表明，将大语言模型 (LLMs) 与图学习相结合可以增强表示质量 (Jin et al., 2024)，尽管它们在 Android 恶意软件检测中的潜力仍然很大程度上未被探索。

尽管基于字符串、图像和图的方法具有很强的检测能力，但在处理分布外 (OOD) 样本时，它们难以维持性能。此类样本通常通过对抗样本 (AEs) 和代码混淆技术引入。Gao 等人 (2024) 评估了这些类别中的 12 个代表性检测器，并表明没有任何一个能在对抗或混淆条件下维持理想的检测性能。

为了提高鲁棒性，先前的研究调查了诸如对抗训练、正则化方法、特征操纵和集成方法等策略，正如 (Bhusal and Rastogi, 2025) 的综述所总结的那样。相关的以鲁棒性为导向的设计也已被证明在入侵检测系统中有效，其中结合循环学习和集成方法可以提高对对抗攻击的韧性 (Hussain, 2024)。与此同时，应对代码混淆的努力也出现了，例如利用马尔可夫图像表示与基于 CNN 的分类器 (Dhanya et al., 2023)，或采用投票融合机制的多模态，结合 FCGs 和基于操作码的马尔可夫转移矩阵 (Gao et al., 2023)。基于这些工作，多模态学习的复兴在 Android 恶意软件检测中显示出巨大的前景 (de Oliveira and Sassi, 2023, Li et al., 2025a, Zhang et al., 2025, Li et al., 2025b)，因为与单模态基线相比，结合互补模态通常能带来更强的检测性能和更好的泛化能力。

尽管取得了这些进展，现有的多模态方法仍然面临根本性的局限。迄今为止，没有研究系统地评估对对抗攻击和混淆的韧性，使得它们在实际场景中的有效性不确定。例如，X. Li 等人 (2025a) 使用多头自注意力机制将编程语言和机器语言模态融合为文本和 RGB 图像。然而，字节到图像的表示在混淆下是脆弱的 (Gao et al., 2024)，且未评估对抗鲁棒性。其他研究通过简单拼接将权限、意图、系统调用和 DEX 图像结合起来 (de Oliveira and Sassi, 2023, Asmitha et al., 2025)，但这些特征单独容易受到对抗扰动或混淆的影响，且朴素融合往往导致单模态偏差。Gao 等人 (2023) 通过基于投票的融合策略提高了对混淆的韧性，但对抗威胁仍未得到解决。总体而言，这些局限性突显了缺乏一种旨在同时缓解混淆和对抗扰动的精心设计的多模态融合框架。

受这一差距的启发，我们提出了 DMLDroid，一种基于深度多模态融合的鲁棒 Android 恶意软件检测系统。我们的框架在中间层集成来自不同模态的特征，并将它们联合输入模型进行决策。我们利用了三种常见的恶意软件特征类型：将权限和意图作为表格数据的多层感知机 (MLP) 模型，分析源自 DEX 文件的 RGB 图像的卷积神经网络 (CNN)，以及编码 API 调用图序列以捕捉上下文依赖的 DistilBERT。在融合阶段，我们调查了几种中间融合策略，包括简单拼接、自注意力、交叉注意力、门控融合和一种轻量级的动态加权融合 (DWF) 方法。其中，我们提出 DWF 为每种模态学习一个单一的注意力权重，从而实现对异构特征的可解释且计算高效的加权组合。这种设计使我们能够实验性地分析不同的融合机制如何影响检测性能和在对抗攻击及混淆下的鲁棒性。

本研究的主要贡献总结如下：
•我们提出了一种基于深度多模态融合的鲁棒 Android 恶意软件检测框架，明确设计用于通过结合表格（权限与意图）、基于图像（DEX RGB）和序列（API 图序列）表示来解决对抗扰动和代码混淆。
•我们提供了五种中间融合策略的系统性比较，包括拼接、自注意力、交叉注意力、门控融合和动态加权融合，分析了它们在对抗和混淆场景下的有效性和鲁棒性，以及它们的计算效率。
•我们设计了广泛的实验设置，纳入现实世界的规避挑战，包括基于 GAN 的对抗样本生成和多种混淆类别，提供了比先前多模态工作更真实的鲁棒性评估。
•我们在 CICMalDroid 2020 数据集上将我们的方法与最先进的多模态基线进行了基准测试，在检测准确性和鲁棒性方面均取得了优越的性能，同时分析了检测有效性与计算成本之间的权衡。

本文的其余部分组织如下：第 2 节回顾了 Android 恶意软件检测、对抗和混淆鲁棒性方面的相关工作。第 3 节描述了我们的方法，详细说明了特征提取过程、模型架构和融合策略。第 4 节介绍了实验设置，包括数据集、评估指标、对抗攻击和混淆场景。第 5 节讨论了影响结果有效性的威胁因素以及从实验中获得的见解。最后，第 6 节总结了研究发现和未来研究方向。

章节片段
相关工作
以往关于 Android 恶意软件检测的研究从不同角度解决了鲁棒性问题，特别是在面对代码混淆和对抗攻击时。表 1 简要概述了这些关键工作，突出了它们的方法论和对该领域的贡献。

DMLDroid 概述
图 1 展示了我们提出的框架，即 DMLDroid，它由两个主要模块组成：特征表示和特征融合与分类模块。我们选择权限与意图、DEX 文件段特征和 API 调用，因为它们几乎是所有先前 Android 恶意软件研究中的主要特征类型。采用 MLP 和 CNN 是因为它们在该领域被广泛采用 Liu 等人 (2022)。同时，进一步探索了预训练语言模型用于 API...

研究问题
我们旨在通过实验和分析回答以下研究问题 (RQ)：
•RQ1：在不同的融合策略下，多模态恶意软件检测模型与单模态和双模态基线相比表现如何？
•RQ2：在不同的融合策略下，与单模态和双模态基线相比，多模态恶意软件检测器对混淆样本的鲁棒性如何？
•RQ3：在不同的外部...策略下，与单模态和双模态基线相比，多模态恶意软件检测器对 AE 攻击的鲁棒性如何？

外部有效性
我们研究的外部有效性可能受到数据集依赖性和评估范围的影响。尽管所提出的方法在 CICMalDroid 2020 上显示出强劲的结果，但泛化到其他数据集（例如 Drebin、AMD、AndroZoo）或新型恶意软件家族仍然不确定。我们的评估还完全依赖于静态特征（权限、意图、DEX 图像、API 序列），这可能无法捕捉现实执行环境中观察到的动态或混合行为。此外，

结论
本文提出了 DMLDroid，一种旨在对混淆和对抗扰动进行鲁棒检测的多模态 Android 恶意软件检测框架。通过通过中间融合架构集成权限和意图、基于字节码的视觉特征以及 API 调用序列，DMLDroid 捕捉了超越单模态检测器和简单融合基线的互补行为和结构特征。提出的 DWF 机制表明，一种轻量级的可学习...

CRediT 作者贡献声明
Doan Minh Trung: 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式分析，数据管理，概念化。Tien Duc Anh Hao: 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，软件，资源，方法论，调查，数据管理。Luong Hoang Minh: 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能看似影响本报告中的工作。

致谢
本研究由越南胡志明市国家大学 (VNU-HCM) 资助，资助编号为 NCM2025-26-01。

Doan Minh Trung|Tien Duc Anh Hao|Luong Hoang Minh|Nghi Hoang Khoa|Nguyen Tan Cam|Van-Hau Pham|Phan The Duy