王玉联，鲁鸣鸣

中南大学 计算机学院，长沙 410083

Android系统因开源与设备售价低廉的特点，在全球范围内拥有广泛的用户。然而，Android的开源特性也使得其极容易受到攻击，这严重威胁用户个人信息安全甚至国家信息安全。2019年全年，360安全大脑共截获移动端新增恶意程序样本约180.9万个，为中国用户拦截恶意程序攻击约9.5亿次。如此数量的恶意软件及其频繁的攻击将更加促进有效恶意检测方法的开发。

越来越多恶意软件检测手段借助深度学习的方法，不仅实现了自动化检测，而且达到了很高的精度。深度学习在安全领域也越来越被认为是强大且有效的工具，而其模型的决策过程对研究人员来说是不透明的。透明性的缺乏，一方面意味着模型难以分析，而且很难防止攻击[1]，另一方面，模型的决策过程难以解释，难以取信于人，限制了其在实际中的应用。面对这一问题，一些工作通过分析模型获取最大影响的特征，为深度学习模型提供了一定的可解释性。这些方法基于特征相互独立的强假设，仅仅考虑特征各自对模型的影响，但是在实际中特征之间总是存在着耦合，仅考虑单个特征对模型的影响，难以反映耦合作用。为反映不同类型软件中敏感API的耦合作用，挖掘敏感API的组合模式，本文提出了一种可解释的基于图嵌入学习的方法。首先，从细粒度函数调用图（FFCG）中提取路径，将每一条路径嵌入到一个固定长度的高维向量中。然后使用注意力机制获取每一条路径的注意力，作为该路径的重要性程度指标。……