来源：期刊VIP网 时间：
作者：蒋屹新;张喜铭;徐文倩;梁志宏;杨祎巍;毕乐宇;徐欢;洪超;张宇南;
单位：南方电网科学研究院有限责任公司;广东省电力系统网络安全企业重点实验室;中国南方电网有限责任公司;
摘要：机器学习模型在恶意软件检测中已被广泛应用。当这些模型在训练环境中正确捕获因果关系时，它们可以在部署环境中提供高准确性的检测结果，前提是两个环境之间的因果结构保持稳定。然而，在实际操作中，由于各种因素会导致环境变化，从而使得原有的因果关系发生改变，导致检测准确性下降。本研究提出一种基于因果推断的统一训练框架CSAFE，用于增强恶意软件检测模型在未知部署环境变化下的稳定性。该框架通过识别和过滤恶意行为与无关特征之间的虚假因果关联（Spurious Correlation）来维持模型对本质因果关系的把握。此外，CSAFE提出了一种细化的因果关系过滤与重建策略，以在保持检测准确性的同时增强模型的环境适应能力。本研究通过两个实际的安卓恶意软件数据集，从分布内准确性、环境变化下的因果关系稳定性以及综合检测能力等方面对CSAFE进行了评估。实验结果表明，CSAFE在各类环境变化场景下，将检测准确性提高了13.4%，同时保持了与基线方法相当的分布内准确性。
关键词：恶意软件检测;;因果推断;;机器学习;;虚假关联过滤;;双重解耦重加权;;安卓安全
