Pantelis-Karagiannis/THESIS

# Android 恶意软件分析与检测框架 ### 静态分析 • 机器学习 • Python • MobSF ## 📖 概述 本项目展示了一个自动化的 Android 恶意软件分析与检测框架，这是我作为帕特雷大学（University of Patras）毕业论文的一部分而开发的。 该框架利用 MobSF 自动化进行 Android 应用程序的静态分析，提取与安全相关的特征，将分析结果存储在 MongoDB 中，并应用机器学习技术将 Android 应用程序分类为良性或恶意软件。 该项目展示了一个完整的端到端恶意软件分析流水线，从 APK 处理到自动化的恶意软件分类。 ## 🛠️ 使用的技术 - **编程语言：** Python - **恶意软件分析：** MobSF (Mobile Security Framework) - **容器化：** Docker - **API 通信：** MobSF REST API - **数据库：** MongoDB - **数据处理：** Pandas, NumPy - **机器学习：** Scikit-learn, Random Forest, XGBoost, PyTorch TabNet - **可视化：** Matplotlib, Seaborn ## 🔄 项目工作流 该框架遵循以下自动化工作流： ``` APK Files │ ▼ MobSF Static Analysis │ ▼ Feature Extraction │ ▼ MongoDB Storage │ ▼ Dataset Generation │ ▼ Machine Learning Models (Random Forest • XGBoost • TabNet) │ ▼ Performance Evaluation (Accuracy • Confusion Matrix • Classification Report) ``` ## 🚀 核心功能 - ✅ 使用 MobSF 进行自动化的 APK 静态分析 - ✅ 从分析报告中自动提取特征 - ✅ 基于 MongoDB 存储提取的特征 - ✅ 为机器学习生成数据集 - ✅ 使用多种 ML 算法进行恶意软件分类 - ✅ 特征重要性分析 - ✅ 生成混淆矩阵 (Confusion Matrix) - ✅ 生成分类报告 (Classification Report) - ✅ 自动保存模型 - ✅ 支持二分类和多分类的恶意软件分类 ## 📂 仓库结构 | 文件 | 描述 | |------|-------------| | `analyze_apks.py` | 使用 MobSF 自动化分析 APK，并通过 REST API 获取分析结果。 | | `extract_features_from_mongodb.py` | 提取并预处理存储在 MongoDB 中的恶意软件特征，以供机器学习使用。 | | `train_model.py` | 训练并评估用于恶意软件分类的 Random Forest、XGBoost 和 TabNet 模型。 | ## 🎯 项目目标 本项目的主要目标是： - 开发一个自动化的 Android 恶意软件分析流水线。 - 从 Android 应用程序中提取有意义的安全特征。 - 构建适用于机器学习的数据集。 - 比较多种用于恶意软件检测的机器学习算法。 - 使用标准的分类指标评估模型性能。 - 展示一个端到端的自动化恶意软件分析框架。 # 📊 实验结果 ## 准确率比较  ## 分类性能  ## 特征重要性 

标签：Android恶意软件分析, Apex, BSD, Caido项目解析, MobSF, Python, 云安全监控, 数据挖掘, 无后门, 机器学习, 请求拦截, 逆向工具, 静态分析