基于python深度学习的apk风险预测脚本

基于python深度学习的apk风险预测脚本

为了有效判断安卓apk有无恶意操作，利用python脚本，通过解包apk文件，对其中xml文件进行特征提取，通过机器学习构建模型，预测位置的apk包是否有风险。

一、APK拆包

一般的方法有两种

1. 由google开发的apktool。
2. python的androguard包。

网上关于apktool的教程比较多，但是笔者在尝试使用后发现，

1. apktool是基于java开发的，而机器学习由python控制，虽然可以利用python控制apktool，但有点多此一举。

2. apktool对apk进行完全解包，浪费太多时间，在我准备构建的模型中有很多内容并不会使用。

固使用快速又强大的androguard。

from androguard.core.bytecodes import apk
import re
def get_permissions_one(filename):
    app = apk.APK(filename)
    permission = app.get_permissions()
    with open(re.sub(r'.apk', '', filename) + '.txt', 'w', encoding='UTF-8')as f:
        for temp in permission:
            f.write(temp + '\n')

通过app.get_permissions()提取所有权限，利用正则写入txt文件。

关于androguard的更多命令可以看这篇博客，也可以看官方的API说明文档，本脚本只需要get_permissions()函数。、

先使用任意apk进行测试，执行结果如下：

得到了写入权限的txt文件。

网上有挺多恶意、正常apk例子，笔者是在网站下载的。

二、标准权限获取

之前提到实现类似功能的博客中，采用了动态标准。在解包apk文件的时候，每次遇到了新的权限，就将权限写入标准权限的列表。而笔者在尝试了几个常见apk（qq、微信等）后发现，由于安卓有各类延申的os，而不同软件又有各自生态，有各种各样权限。笔者认为太多的权限会导致最后的模型不准确，固选择直接从网上找了个安卓权限大全，进行正则提取。大全网址

import re

with open("带安卓权限.txt", "r", encoding='utf-8') as f:  # 打开文件
    data = f.read()  # 读取文件
    temp = re.findall(r'android.permission.(.+?)，', data)
    print(len(temp))

with open('带安卓权限简述.txt', 'w')as f1:
    i = 0
    while i < len(temp):
        f1.write('android.permission.' + temp[i])
        f1.write('\n')
        i = i + 1

有三条不满足标准，手动补上

com.android.browser.permission.READ_HISTORY_BOOKMARKS
com.android.browser.permission.WRITE_HISTORY_BOOKMARKS
com.android.alarm.permission.SET_ALARM

于是得到了120条标准权限。

三、对照并得出抽象值

笔者对数据的抽象是这样设计的：

由于权限一共有120条，在解包万任一文件后，创建一个120*[0]的数组，将提取后txt中每条权限与标准权限对比，当匹配到相同的权限时，令全[0]的数组中对应元素为[1]，这样就完成了数据抽象化。

关键代码：

def power_compare(filename):
    standard = get_ready()
    list = list_dir_read_txt(filename)
    apk = []
    for txt in list:
        with open(txt, 'r')as f:
            temp = [0] * 120
            for line in f.readlines():
                line = line.strip('\n')  # 去掉列表中每一个元素的换行符
                for i, power in enumerate(standard):
                    if line == power:
                        temp[i] = 1
            apk.append(temp)
    return apk

四、对抽象值进行处理

虽然用列表进行搜索，一个一个匹配挺蠢的，但是这么做确实是最简单的，直接贴代码吧。

def power_compare(filename):
    standard = get_ready()
    list = list_dir_read_txt(filename)
    apk = []
    for txt in list:
        with open(txt, 'r')as f:
            temp = [0] * 120
            for line in f.readlines():
                line = line.strip('\n')  # 去掉列表中每一个元素的换行符
                for i, power in enumerate(standard):
                    if line == power:
                        temp[i] = 1
            apk.append(temp)
    return apk

五、通过算法得到模型

使用sklearn，简单暴力。

第一次只用了朴素贝叶斯，其他的算法也就改个名称换个参数，差不多（大概吧）

sklearn只认numpy里的数组，强转一下，扔进去就完事了，笔者第一次学习，也没分训练组和测试组，只体验了一下流程。

from data_get import *
import numpy as np
from sklearn.naive_bayes import GaussianNB

safe, dangerous = data_get()

clf = GaussianNB()

train = np.asarray(safe + dangerous)
target = np.asarray(len(safe)*[0] + len(dangerous)*[1])

clf.fit(train, target)

六、完整代码

之前省略了挺多正则处理还有读写文件，全扔这里了，希望对你有帮助。

data_get.py

# -*— codeing = utf-8 -*-
from androguard.core.bytecodes import apk
import re
import os

def get_permissions_one(filename):
    app = apk.APK(filename)
    permission = app.get_permissions()
    with open(re.sub(r'.apk', '', filename) + '.txt', 'w', encoding='UTF-8')as f:
        for temp in permission:
            f.write(temp + '\n')

# 对单个文件拆包出权限，并写入txt文件

def get_safe_permissions():
    print('开始读取安全文件')
    list = list_dir_read_apk('安全文件')
    for file in list:
        get_permissions_one(file)
    print('读取完毕！')

# 读取安全文件并记录其权限

def get_dangerous_permissions():
    print('开始读取危险文件')
    list = list_dir_read_apk('危险文件')
    for file in list:
        get_permissions_one(file)
    print('读取完毕！')

# 读取危险文件并记录其权限

def list_dir_read_apk(file_dir):
    dir_list = os.listdir(file_dir)
    file = []
    for cur_file in dir_list:
        path = os.path.join(file_dir, cur_file)
        if os.path.isfile(path):
            if re.findall(r'.apk', path):
                file.append(path)
        if os.path.isdir(path):
            # 递归读取所有照片夹子目录内容
            list_dir_read_apk(path)
    return file

# 读取目标文件夹内所有apk文件，并记录每一个的地址

def list_dir_read_txt(file_dir):
    dir_list = os.listdir(file_dir)
    file = []
    for cur_file in dir_list:
        path = os.path.join(file_dir, cur_file)
        if os.path.isfile(path):
            if re.findall(r'.txt', path):
                file.append(path)
        if os.path.isdir(path):
            # 递归读取所有照片夹子目录内容
            list_dir_read_apk(path)
    return file

# 读取目标文件夹内所有txt文件，并记录每一个的地址

def get_ready():
    power = []
    with open('带安卓权限简述.txt', 'r')as f:
        for line in f.readlines():
            line = line.strip('\n')  # 去掉列表中每一个元素的换行符
            power.append(line)
    return power

# 读入所有权限文件，写入集合文件，方便搜索

def power_compare(filename):
    standard = get_ready()
    list = list_dir_read_txt(filename)
    apk = []
    for txt in list:
        with open(txt, 'r')as f:
            temp = [0] * 120
            for line in f.readlines():
                line = line.strip('\n')  # 去掉列表中每一个元素的换行符
                for i, power in enumerate(standard):
                    if line == power:
                        temp[i] = 1
            apk.append(temp)
    return apk

# 比较权限，并写入数组

def data_get():
    apk_safe = power_compare('安全文件')
    apk_dangerous = power_compare('危险文件')
    return apk_safe, apk_dangerous

# 获得数据

data_set.py

# -*— codeing = utf-8 -*-
from data_get import *
import numpy as np
from sklearn.naive_bayes import GaussianNB

safe, dangerous = data_get()

clf = GaussianNB()

train = np.asarray(safe + dangerous)
target = np.asarray(len(safe)*[0] + len(dangerous)*[1])

clf.fit(train, target)

七、参考文献

文献	链接
类似项目	https://www.jianshu.com/p/670023af50f6
androguard官方文档	https://docs.koodous.com/yara/androguard/
apk例子	https://www.unb.ca/cic/datasets/invesandmal2019.html
一个牛逼的完整的项目，以后有机会复现	https://aistudio.baidu.com/aistudio/projectdetail/1562926?shared=1
一开始想自制数据集，后来发现没那么麻烦	https://zhuanlan.zhihu.com/p/354146564
sklearn官方文档，没看懂	https://sklearn.apachecn.org/docs/master/37.html
类似项目，写的很好，没看懂	https://www.jianshu.com/p/0bf2eb488afa