张长胜，周 洌，任小波，李 川

(昆明理工大学 信息工程与自动化学院，云南 昆明650500)

在促进业务信息化以及网络化快速发展的同时, 信息化技术给用户的业务信息系统带来了越来越多的安全问题,恶意代码是其中一个倍受瞩目的安全问题[1-2]。

针对Android[3]系统的恶意代码检测技术主要有动态检测和静态检测技术。其中，最经典的是基于恶意代码特征指令序列的静态检测方法, 其通过分析软件的源代码等信息，与已知的恶意代码进行匹配，检测是否包含恶意代码特征来确定，被广泛应用于各种杀毒软件。N.Peiravian[4]使用纯静态分析，通过提取 APK 的权限与 API 调用，并构建高维特征向量，使用机器学习的方法对数据集进行判断，来确认软件是否含有恶意代码。董胜亚[5]提出基于 KNN 的 Android 平台软件异常监测模型。传统的静态检测方法因为需维护样本库使得其应用受到制约。但是随着云计算技术的发展，有效解决了传统静态检测技术中样本库内容不断增加的难题，使静态检测技术突破了样本库维护的瓶颈[6]。因此，本文采用基于粗糙集算法的方法，建立特征模型，提取权限特征、API特征，在机器学习算法的基础之上，对安卓恶意代码特征进行分析检测。

1 粗糙集理论

在粗糙集(RS)中，特征属性叫做故障案例，由决策属性、条件属性组成。相似性由特征属性决定。在计算特征相似度时，不同特征属性的权重也不相同[7]。到目前为止，确定属性权重的方法分为3类：(1)基于Z.Pawlak属性重要度的概念[8]，通过代数的形式来算出属性权重；……