android系统的信息安全与权限机制研究

android系统的信息安全与权限机制研究

1总结1.1android系统android单词的初衷是“机器人”，它也是基于linux内核的开放生行系统。该系统由linux内核作为底层管理、各种源代码功能库作为中间功能、基于dalvik虚拟机的java应用程序框架和一组基本应用组成。这是移动设备上第一个开放而完整的系统平台。Android系统自2007年首次发布以来,以其开源免费的优势,至今,经过多次系统升级,已经成为全球最流行的手机,占有率已超60%。与此同时,据网秦2012年第一季度的《全球手机安全报告》Android系统采用软件堆层(SoftwareStack,又名软件叠层)的架构,主要分为三部分。底层以Linux内核工作为基础,提供核心系统服务,比如安全,内存管理,进程管理,网络协议栈和驱动模块;中间层包括各种开源函数库Library和虚拟机VirtualMachine。第三层是各种应用基本框架,主要是由各种组件管理器级成,提供Android程序开发的基础功能,使组件重用变得简单,加快了程序开发的速度。最上面一层是常用的必要的应用程序,包括通话程序,短信程序等,应用软件可由第三方开发。每个Android应用都运行在它自己的进程里,并依附在一个单独的Dalvik虚拟机实例上1.2android系统安全特性Android安全机制的一个重要的设计出发点就是:应用程序在默认的情况下不可以执行任何对其他应用程序、系统或者用户带来负面影响的操作。除了Linux在系统内核级来做保障,在外围用户空间android也设计了独特的安全机制来保障程序的安全性1)Android系统充分利用了Linux系统的安全特点,一个程序分配一个用户ID,每个程序运行在自己的沙箱环境,之间不能相互影响。每个程序在安装时,系统会为它分配一个属于自己的用户,为它创建一个“沙箱”环境,防止其它程序影响。用户在程序安装到手机中时被分配,并且在这个设备中保持它的永久性。另外如果该程序创建任何文件都会被赋予程序的用户标识,并且正常情况下不能被其它进程访问。2)另外,Android系统设计了另一个安全特性,即权限控制一个程序在安装时,需要声明自己需要的权限给用户提示,包括如访问联系人、访问网络、访问电电子邮件、收发送信息、读写存储卡,调用Android其他组件等。如果有恶意权限会被细心的用户发现,并且程序在实际运行期间,不可能有超出安装时声明的权限。权限是Android为保障安全而设计的安全标识,同时也是程序实现某些操作的前提。存在的问题是,用户选择安装了某个程序,就不得不接受该程序的所有权限,而一般的普通用户却不熟悉,这些权限可能给自己带来的危害。另外,用户往往更关心程序带来的功能,而忽视了程序所具有权限带来的潜在威胁。在安装了这样的恶意程序后,在运行过程中便可访问用户的隐私数据或执行非法的动作,而用户不会知晓,从中给用户带来威胁。1.3良性程序使用情况对比文献[7]使用自动测试工具,测试了1310个关键AndroidAPI,创建了较为完整的Android权限集合(permissionmap),包括了contendProviders,DisallowedBroadcasts,recevingBroadcasts,sendingBroadcast,startin-gActivities,startingServices几乎所有种类的权限。文献[8]分析了2011年10月前1260个良性程序的权限使用情况,同时与他们收集的恶意程序库中恶意程序所申请的权限的情况,进行了对比发现:访问网络、读手机状态、访问网络状态、写SD卡等权限在恶意程序和良性程序中都广泛使用,但恶意程序倾向于使用(:)短信有关的权限(62.7%)、开机自启动权限(54.6%)、更改WIFI状态的权限(31.6%),而良性程序很少使用这些程序。另外,恶意程序比良性程序倾向于请求更多的权限,在他们收集的样本中,恶意程序平均需要11个,而良性程度需要4个。在前20名的权限中,恶意程序平均需要9个,而良性程序平均仅需要3个。由上,可以推断出,恶意程序与良性程序在需要的请求的权限集合与组合上,有比较明显的不同。2权限组合检测根据前文所述及相关研究,笔者认为可以运用机器学习方法以权限组合为特征对Android恶意软件进行检测。在机器学习方法中,朴素贝叶斯方法(NaiveBayes,NB),是一种性能较好的分类方法,常用在文本分类上2.1)问题处理NB利用贝叶斯公式的特性,将先验概率转换成后验概率,并为了简化问题处理,采取了“朴素的假设”。它分类新实例的方法是在给定描述实例<a1,a2,……an>时,通过计算概率得到最可能的分类目标值。2.1.1大后验假设（maximma索赔，模型）v2.1.2算法描述1)在(1)式中,估计P(v2)P(a3)估计2.2android恶意程序分类主要的问题是,把一定数量的良性程序与恶意程序的权限扫描统计出来,计算其概率。以[7]中总结出的所有权限作为权限字典D,作为特征属性。1)从官方的Android市场2)笔者收集了一批恶意程序样本,得到各程序权限,集合到一起,同(1)一样,对各权限计数。3)记T=B+MT={<permission1,number1+number2>,……}4)对应到该分类的具体问题中,2.1.2中的“样例”应为具体权限。1——代表是良性程序B0——代表是恶意程序Mnn——T总样本数量各权限总数n|D|——权限字典中的权限数量5)在以上概率全部计算出来之后就可以预测新样本:v3基于nb的研究方法1)样本取得:从Google官方的Android市场下载200个程序(官方审核相对比较严格,假设全为良性程序)。包括了游戏娱乐类、工具类、系统管理类等程序。恶意样本,来自笔者的收集,取200个,包括了一些主流恶意的程序,如:DroidKungFu,AnverseBot,BaseBridge,RootExpoit等。2)权限提取:基于开源项目androgurad3)用python语言实现了NB算法,按前文中的计算方式,计算相应的概率项。4)先随机选取参与训练的良性程序和恶意程序各50个进行分类实验,再选择未参与训练的新样本进行检测,进行五轮实验。实验结果如下:其中,TP——truepositive真阳性,即检测正确到恶意样本数量FN——falsenegative假阴性,即检测错误的恶意样本数量FP——falsepositive假阳性,即检测错误的良性样本数量TN——truenegative真阴性,即检测正确的良性样本数量FPR——假阳率4android系统恶意软件检测技术研究本文介绍了Android系统的架构,分析了Android系统的安全机机制。针对Android特有的安全机制,提出一种利用机器学习算法检测恶意软件的方法,并进行了模拟实验和分析,效果较好。今后,笔者将继续对Android系统的恶意软件检测进行研究,具体涉及如增加样本数量的训练;将检测模型移植到Android平台上;研究恶意的软件的除权限外的其他静态特征;研究恶意软件的运行时特征,hookAndroid的敏感API,建立恶意软件的行为模式;寻找合适的机器学习算法,使模型具有更好的学