MH-1M数据集研究总结与核心内容翻译
一、文章主要内容
本文针对现有Android恶意软件数据集存在规模有限、特征单一、数据过时、标签标准不透明等问题，提出了MH-1M数据集——一个涵盖14年（2010-2024）数据、包含1,340,515个Android应用程序包（APK）和23,247个静态特征的综合数据集。
1. 数据集构建
- 数据来源：从AndroZoo仓库获取APK文件，通过ADBuilder、AMGenerator、AMExplorer三款工具完成数据采集、特征提取和标签标注。
- 特征构成：包含22,394个API调用、407个意图、232个操作码、214个权限等多维特征，以及SHA256哈希、文件名、编译API、VirusTotal报告等丰富元数据，总数据量超400GB。
- 标签标注：采用VirusTotal API整合65+检测引擎结果，以≥4个引擎标记为恶意软件作为标注阈值，确保标签可靠性，同时支持自定义阈值调整。
2. 数据集优势
- 规模领先：相比现有数据集（如KronoDroid的7.8万样本、MH-100K的10万样本），样本量提升一个数量级。
- 特征全面：覆盖静态特征与多元元数据，支持深度学习、大语言模型等多种研究方法。
- 时效性强：数据跨度14年，包含最新样本与分析结果，避免依赖过时数据。
- 平衡性好：恶意软件与良性软件比例约1:10，符合真实世界分布，减少模型过拟合