基于多维度数据分析的涉诈移动应用实时识别方法及系统与流程
本发明涉及数据挖掘与机器学习,具体而言,涉及一种基于多维度数据分析的涉诈移动应用实时识别方法及系统。
背景技术:
1、随着移动互联网的发展和智能手机的普及,移动应用程序已经成为了人们生活中不可或缺的一部分。各种类型的移动应用程序已经渗透到人们的日常生活中,涵盖了社交、娱乐、支付、购物等各个方面。然而,伴随而来的也是不法分子通过开发并传播恶意或欺诈性质的移动应用,进行金融诈骗、个人信息窃取等违法犯罪活动,给用户带来了极大的安全隐患。根据最新的网络安全报告,移动端诈骗案件的数量持续攀升,其中涉及到的诈骗类型包括伪装成正常金融类应用的“钓鱼”程序、冒充官方应用的恶意软件、以及通过诱导下载的虚假广告等。尽管应用商店和安全软件厂商对这些恶意应用的监测力度逐年提升,但随着诈骗手法日趋隐蔽,传统的检测方法仍然存在诸多局限性。因此,急需一种基于多维度数据分析的涉诈移动应用实时识别方法及系统,能够高效、准确地识别潜在的欺诈行为,及时阻止恶意应用的传播,保障用户的安全。
2、目前市场上针对恶意或涉诈移动应用的识别技术主要包括以下几类:
3、一、基于特征库匹配的检测方式。
4、该方式通过预先构建恶意样本特征库(如包名、签名指纹、哈希值、恶意域名等),对终端安装应用进行比对匹配。当发现完全一致或高度相似的样本时进行拦截。该方式实现简单、识别速度快,但存在明显不足:
5、(1)只能识别已收录样本,对于变种应用或重新打包应用识别能力有限;
6、(2)诈骗分子频繁更换包名、签名或进行微小代码修改即可绕过检测;
7、(3)无法从历史样本中提炼诈骗行为共性特征,缺乏预测能力。
8、二、基于静态分析或动态沙箱分析的检测方式。
9、静态分析通过解析apk结构、权限声明、组件信息、代码调用关系等判断风险;动态分析则通过运行时监控应用网络通信、文件访问、接口调用等行为识别异常。但上述方式存在如下问题:
10、(1)静态分析易被混淆、加壳、加密技术规避;
11、(2)动态分析资源消耗大、效率低,不适用于终端实时识别场景;
12、(3)重点关注单一应用本身,缺乏对历史涉诈样本的群体特征建模能力。
13、三、基于用户举报或黑名单共享机制的检测方式。
14、该方式依赖用户上报或公安机关、监管部门通报后更新风险库,具有滞后性,通常在诈骗行为已造成较大损失后才纳入系统识别范围,难以实现“事前预警”。
15、在实际监管与安全实践中发现,涉诈移动应用并非完全随机生成,而是呈现出明显的“家族化”“批量化”“模板化”特征。例如:
16、(1)同一诈骗团伙会批量生成结构相似的应用,仅替换名称、图标或主题颜色;
17、(2)多个涉诈应用可能使用相同的服务器域名、相似的网络通信协议或相同的sdk组件;
18、(3)涉诈应用在权限申请、启动流程、页面跳转逻辑、更新机制等方面存在高度相似特征;
19、(4)不同时间段出现的诈骗应用在界面布局、诱导文案、业务流程等方面呈现模式化演变趋势。
20、因此,单纯依赖“是否命中已知涉诈样本”的识别方式,无法有效应对快速变种的诈骗应用场景。亟需一种能够基于历史涉诈app数据进行系统性建模分析的方法,不仅能够快速识别终端中已安装应用是否存在历史涉诈记录,还能够从以往涉诈app样本中提炼共性特征,构建涉诈行为特征模型,实现对未知变种或高相似应用的智能识别。
21、综上,现有技术在以下方面仍存在明显不足:
22、(1)缺乏基于历史涉诈样本的多维特征融合建模机制,无法从大量历史数据中提炼诈骗应用的结构性规律;
23、(2)仅支持单点匹配识别,无法结合应用元数据、行为数据、网络数据、证书信息、企业主体信息等多维数据进行综合判定;
24、(3)无法对涉诈应用的演化趋势进行分析和预测,缺乏模型自学习与动态更新能力;
25、(4)实时性不足,无法在用户安装或运行阶段即时完成风险判断;
26、(5)无法建立涉诈app之间的关联关系网络,难以发现同源应用、家族应用或幕后主体关联信息。
27、因此,有必要提出一种基于多维度数据分析的涉诈移动应用实时识别方法及系统。该方法通过对历史涉诈app样本数据进行系统化整理与标签化处理,构建包含应用基础属性特征(如包名、签名、证书信息、权限组合)、代码结构特征(如函数调用图、敏感api使用模式)、行为特征(如网络请求模式、域名访问关系)、界面特征(如图标相似度、页面结构相似度)、以及主体信息特征(如开发者信息、企业关联信息)等多维数据模型。
技术实现思路
1、本发明提供一种于多维度数据分析的涉诈移动应用实时识别方法及系统,用以解决上述现有技术存在的技术问题。
2、为达到上述目的,本发明提供了一种基于多维度数据分析的涉诈移动应用实时识别方法,其包括:
3、s1:基于历史涉诈样本建立相关涉诈模型;
4、s2:基于涉诈模型多个维度的特征进行多维度特征融合分析;
5、s3:基于多维度特征融合分析结果,对涉诈家族及其变种进行识别;
6、s4:在终端或边缘计算环境下实现涉诈移动实时识别;
7、s5:建立风险评分与分级预警机制。
8、在本发明的一实施例中,可选的,步骤s1包括:
9、s11:对历史涉诈app进行结构化整理与标签化处理;
10、s12:从历史涉诈app中提取多维特征数据;
11、s13:通过数据挖掘与机器学习算法对历史涉诈app进行以下操作:特征聚类分析、行为模式提取以及共性规则抽取;
12、s14:基于步骤s13的结果构建涉诈特征画像库、涉诈行为模式模型、相似度计算模型、图谱关联模型以及风险评分模型。
13、在本发明的一实施例中,可选的,步骤s2中,涉诈模型多个维度的特征包括以下一种或多种:
14、(1)基础属性特征,包括包名、签名、版本以及组件结构;
15、(2)代码结构特征,包括敏感api调用模式、函数调用图结构、动态加载特征以及加壳混淆特征;
16、(3)行为特征,包括网络访问模式、域名/ip关联、权限组合模式以及后台唤醒行为;
17、(4)界面与视觉特征,包括图标相似度、页面结构相似度以及诱导性关键词;以及
18、(5)主体关联特征,包括开发者信息、运营者信息以及签名证书关联信息。
19、在本发明的一实施例中,可选的,步骤s2包括:
20、s21:根据从历史涉诈样本中提取的特征文本和关键词进行特征权重计算;
21、s22:对历史涉诈样本的多维特征进行多维特征向量化;
22、s23:基于多维特征向量化的结果进行特征归一化。
23、在本发明的一实施例中,可选的,步骤s3中,通过相似度计算算法识别涉诈家族及其变种,相似度计算算法包括计算涉诈移动应用与历史涉诈样本之间的向量空间相似度、结构相似度以及行为相似度。
24、在本发明的一实施例中,可选的,步骤s3中,通过图谱关联分析算法识别涉诈家族及其变种,图谱关联分析算法包括计算签名关联图、服务器关联图、企业主体关联图以及sdk共用图谱。
25、在本发明的一实施例中,可选的,步骤s7包括:
26、s71:对于新安装app,实时提取其多维特征;
27、s72:基于新安装app的多维特征生成特征向量;
28、s73:将新安装app的特征向量与涉诈模型进行命中匹配、相似度计算以及图谱路径搜索;
29、s74:输出新安装app的风险评分;
30、s75:实时判定新安装app的风险。
31、在本发明的一实施例中,可选的,步骤s5包括:
32、s51:建立综合风险评分模型:
33、风险值=(历史命中权重×w1)+(结构相似度×w2)+(行为相似度×w3)+(图谱关联风险×w4)+(主体风险系数×w5),
34、其中,历史命中权重为目标应用与历史涉诈样本之间的相似度,结构相似度为目标应用与历史涉诈样本之间代码结构或功能相似度,行为相似度为目标应用与历史涉诈样本之间的行为模式相似度,图谱关联风险为目标应用与历史涉诈样本之间的图谱关系相似度,主体风险系数为目标应用的开发者、运营者或签名证书与历史涉诈样本之间的关联风险等级,w1~w5为权重系数;
35、s52:根据风险值将新安装app划分为高危涉诈app、疑似涉诈app、关注级风险app以及正常app;
36、s53:使用回归风险模型将历史命中、结构相似度、行为相似度、图谱关联特征映射为风险概率;
37、s54:风险评分模型输出风险评分之后,将逻辑回归或加权分数映射到[0,100]之间,便于统一阈值划分。
38、在本发明的一实施例中,可选的,其特征在于,w1为0.4,w2~w5为0.2。
39、本发明提供一种基于多维度数据分析的涉诈移动应用实时识别系统,用于实现上述方法,其包括:
40、涉诈模型构建模块,基于历史涉诈样本建立相关涉诈模型;
41、多维度特征融合分析模块,基于涉诈模型多个维度的特征进行多维度特征融合分析;
42、涉诈识别模块,基于多维度特征融合分析结果,对涉诈家族及其变种进行识别;
43、实时识别模块,用于在终端或边缘计算环境下实现涉诈移动实时识别;以及
44、预警模块,用于建立风险评分与分级预警机制。
45、本发明提供一种基于多维度数据分析的涉诈移动应用实时识别方法,其包括:
46、s1:通过系统hook或沙箱监控采集历史涉诈样本的行为数据,建立诈骗行为模板向量库,诈骗行为模板向量库包括行为模板;
47、s2:实时采集历新安装app的行为流并对行为流进行行为序列编码,生成行为序列向量;
48、s3:将行为序列向量与行为模板进行匹配,以计算新安装app与行为模板之间的相似度;
49、s4:根据相似度计算结果,输出新安装app的风险结果。
50、本发明提供一种基于多维度数据分析的涉诈移动应用实时识别方法,其包括:
51、s1:构建app关联异构图:以app、开发者、域名、证书作为四类节点,以app与证书的关联、app与域名的关联、app与开发者的关联作为边,形成异构关联图结构;
52、s2:定义app节点特征:将app的权限向量、api向量、行为向量、图标哈希拼接形成app节点初始特征向量,其他类型节点采用嵌入向量作为初始特征;
53、s3:执行图神经网络特征传播:通过gnn层更新节点嵌入,更新公式为:
54、h_new=relu(w1・h_self+w2・mean(h_neighbor)),
55、其中h_self为节点自身特征,mean(h_neighbor)为邻居节点特征均值,w1、w2为可学习权重,relu为激活函数,得到节点嵌入h_new;
56、s4:风险概率预测:基于节点嵌入h_new,通过sigmoid分类头计算风险概率risk:
57、risk=sigmoid(w・h_new+b),
58、其中w、b为可学习参数;
59、s5:输出结果:输出新安装app的风险概率以及对应恶意家族的归属概率。
60、本发明提供一种基于多维度数据分析的涉诈移动应用实时识别方法,其包括:
61、s1:建立正常app行为模型,获取由正常app特征向量构成的正常样本集;
62、s2:对新安装app执行异常度计算,采用lof算法,计算过程包括:计算新安装app的特征向量与正常样本集中每个样本的距离并排序,根据第k近邻距离得到新app局部密度,取前k个近邻样本的局部密度,计算新安装app的lof分数;
63、s3:异常判定,当lof分数大于1.5时,将该新安装app标记为高涉诈风险app。
64、本发明提供一种基于多维度数据分析的涉诈移动应用实时识别方法,其包括:
65、s1:从app界面布局中提取ui文本;
66、s2:通过大模型对提取的ui文本进行nlp语义向量化,得到语义嵌入向量;
67、s3:将语义嵌入向量与预构建的诈骗语义库向量进行余弦相似度计算;
68、s4:当相似度大于预设阈值时,输出诈骗语义风险结果。
69、本发明提供的基于多维度数据分析的涉诈移动应用实时识别方法及系统利用数据挖掘与机器学习算法,对历史涉诈app进行特征聚类分析和模式提取,形成涉诈应用特征画像库与风险模型。当终端检测到新安装或运行中的应用时,系统可快速提取其多维特征,与历史涉诈特征模型进行比对分析,不仅能够判断其是否存在既往涉诈记录,还能够基于相似度算法、图谱关联分析算法判断其是否属于涉诈家族或高度疑似变种应用,实现快速、精准的实时识别。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com