基于多视图提示工程的大规模语言模型辅助Android恶意软件检测系统AppPoet

内容概要：本文介绍了一种名为AppPoet的新方法，用于Android恶意软件检测。AppPoet利用大规模语言模型（LLM）进行多视图提示工程，通过静态分析提取应用特征并分类为不同视图。然后，LLM生成每个视图的功能描述和行为摘要，从而进行深度语义分析。最终，通过深度神经网络（DNN）分类器融合多视图信息高效准确地检测恶意软件，并生成人类可读的诊断报告。实验结果显示，AppPoet在真实数据集上实现了97.15%的检测准确率和97.21%的F1值，优于现有基线方法。 适合人群：对移动安全、机器学习和自然语言处理感兴趣的科研人员和技术开发者。 使用场景及目标：适用于需要提高Android恶意软件检测精度的研究机构和企业。主要目标是通过多视图提示工程提升LLM的语义理解和推理能力，从而改进恶意软件检测效果。 其他说明：AppPoet不仅提高了检测性能，还生成了详细的诊断报告，有助于进一步审查和分析潜在的安全威胁。此外，研究还探讨了内存组件的作用以及实际应用场景中的效率问题。