maldrolyzer

maldrolyzer Framework sencillo para extraer datos "accionables" del malware de Android C&Cs, números de teléfono, etc. Instalación Tienes que instalar los siguientes paquetes antes de empezar a usar este proyecto: Androguard git clone https://github.com/androguard/androguard; cd androguard; sudo...

MADLIRA

MADLIRA Detección de malware mediante aprendizaje y recuperación de información para Android Resumen MADLIRA es una herramienta para la detección de malware en Android. Consiste en dos componentes: el componente TFIDF y el componente de aprendizaje SVM. En general, toma como entrada un conjunto d...

avpass

AVPASS AVPASS is a tool for leaking the detection model of Android malware detection systems i.e., antivirus software, and bypassing their detection logics by using the leaked information coupled with APK obfuscation techniques. AVPASS is not limited to detection features used by detection system...

avpass

AVPASS AVPASS 是一款用于泄露安卓恶意软件检测系统（即杀毒软件）检测模型，并利用泄露的信息结合 APK 混淆技术绕过其检测逻辑的工具。AVPASS 不限于检测系统所使用的检测特征，还能推断检测规则，从而通过自动转换 APK 二进制文件，将任何安卓恶意软件伪装成良性应用。为防止转换过程中应用逻辑的泄露，AVPASS 提供了一种模仿模式，允许恶意软件开发者在不发送完整二进制文件的情况下，安全地查询令其好奇的检测特征。 AVPASS 提供了多种实用功能来转换任何安卓恶意软件，使其能够绕过杀毒软件。以下是 AVPASS 提供的主要功能： 超过 10 个模块的 APK 混淆...

engine

Droidefense 引擎 高级 Android 恶意软件分析框架 最新版本 下载 Droidefense 是什么 Droidefense （最初代号为 atom：a nalysis t hrough o bservation m achine，即通过观察机器进行分析）是用于 Android 应用/恶意软件分析/逆向工程的工具代号。它专注于安全问题和恶意软件研究人员日常工作中遇到的技巧。针对恶意软件包含反分析 例程的场景，Droidefense 试图绕过这些例程，直达代码和“不良行为”例程。这些技术有时包括虚拟机检测、模拟器检测、自证书检查、管道检测、跟踪器 PID 检查等。...

MalwareSourceCode

由 vx-underground 管理 | 在 Twitter 上关注我们 | 在 VXUG/samples 页面下载恶意软件样本 免责声明： 在适用法律允许的最大范围内，vx-underground 和/或向 vx-underground 提交内容的关联方，不对任何间接、附带、特殊、后果性或惩罚性损害赔偿，或任何直接或间接产生的利润或收入损失，或任何数据、使用、商誉或其他无形损失负责，这些损失源于 i 您访问本资源和/或无法访问本资源；ii 本资源引用的任何第三方的任何行为或内容，包括但不限于其他用户或第三方的任何诽谤、冒犯或非法行为；iii 从本资源获取的任何内容 说明...

DroidDetective

🕵️ 一个用于 Android 应用的机器学习恶意软件分析框架。 ☢️ DroidDetective 是一个用于分析 Android 应用（APK）潜在恶意软件相关行为和配置的 Python 工具。当提供应用（APK 文件）路径时，DroidDetective 会利用其机器学习模型预测该应用是否恶意。DroidDetective 的特性和功能包括： 分析应用的 AndroidManifest.xml 文件中约 330 项权限的指定情况。 🙅 分析应用 AndroidManifest.xml 文件中使用的标准权限和专有权限数量。 🧮 使用基于上述数据训练的 RandomForest...

MalEval

MalEval Artículo: ¿Es “saber que es malicioso” suficiente? Evaluación de LLMs para la auditoría detallada del comportamiento de malware DOI del artículo: 10.1145/3832187 MalEval es un marco para evaluar informes de comportamiento de malware Android generados por grandes modelos de lenguaje. El...

cuckoo-droid

CuckooDroid - 自动化Android恶意软件分析。 贡献者：Check Point软件技术有限公司 CuckooDroid是Cuckoo Sandbox的扩展，Cuckoo Sandbox是一款开源软件，用于自动化分析可疑文件。CuckooDroid为Cuckoo带来了Android应用程序的执行和分析能力。 安装 - 简易集成脚本： root@kitploit: git config --global user.email "[email protected]" git config --global user.name "Your Name" git clone...

silverboxcc

Malware de Android con ingeniería inversa llamado Red Alert V2.0. En el momento del análisis, ya no había servidores C2 en funcionamiento, por lo que no pudimos observar ningún tráfico entre el malware y el servidor C2. Así que descubrimos el protocolo C2 y escribimos este panel de control. El...

amtracker

amtracker Rastreador de malware Android Originalmente esto era parte de un módulo para el framework que estoy desarrollando constantemente. Los decodificadores utilizaban principalmente Androguard para extraer el C2 o las credenciales de los autores del malware. Uno de los decodificadores utiliza...

LiveHiddenCamera

隐形摄像头直播 隐形摄像头直播（Live Hidden Camera，简称 LHC）是一个可在不显示预览界面的情况下，录制 Android 设备实时视频和音频的库。 动机 我正在研究一款基于 Android 的恶意软件，并决定创建一款多功能 RAT（远程管理工具）。当时我正在研究直播流，发现了一些基于 RTMP 的开源项目，包括： https://github.com/begeekmyfriend/yasea https://github.com/ant-media/LiveVideoBroadcaster https://github.com/TakuSemba/RtmpPublish...

MalConfig

MalConfig 这是我正在持续开发的框架中一个模块的一部分。 机器人图片由 robohash.org 提供 国旗图标由 famfamfam 提供 解码器大多使用 Androguard 来提取 C2 或恶意软件作者的凭证 其中一个解码器使用 LIEF 从安卓恶意软件样本中提取 C2 其中一个解码器 Anubis 由 @eybisi 贡献，它相当不错。 目前，已经从安卓恶意软件中提取了 239 个配置。 数据截至 2019 年 2 月 18 日准确。...

BIDO

BIDO This code belongs to "BIDO: A Unified Approach to Address Obfuscation and Concept Drift Challenges in Image-based Malware Detection". Author Author: Junhui Li1, Chengbin Feng2, Zhiwei Yang1, Qi Mo1 and Wei Wang1. Institution Institution1：Software School, Yunnan University, Kunming, Yunnan...

Manic Android Malware Exfiltrates Data From Offline Phones via Nearby Infected Devices

A new Android threat codenamed Manic has been observed actively targeting Ukrainian banks, government and identity services, and messaging applications, as well as Russian and European financial institutions, global fintech and cryptocurrency services, and military-focused communications. "Manic...

ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection

The rapid advancement of modern technology has led to a significant increase in the use of smart devices, such as smartphones and tablets, resulting in the widespread adoption of mobile applications. Although applications are required to undergo malware screening before being published on officia...

DroidBreaker: Practical and Functional Problem-Space Attacks on Machine-Learning Android Malware Detectors

Adversarial APKs are Android applications modified in the problem space to evade machine-learning malware detectors. In this work, we first show that, despite claims, existing problem-space attacks remain largely impractical. Most techniques leverage software transplantation to inject entire beni...

The Sound of Malware: A Memory Forensics Approach for Android Malware Analysis Via Audio Signals

Android malware analysis is currently facing increasing challenges in achieving robust classification and detecting stealth attacks. Modern threats employ advanced evasion strategies such as code obfuscation, dynamic loading, packing, and even steganographic manipulation of traditional static and...

Don't Trust Us: A Privacy-By-Design Android Malware Detection Pipeline

Android malware detection increasingly relies on collecting and processing sensitive user data, including device identifiers, network artifacts, and runtime traces, while privacy is too often treated as a secondary concern. Existing privacy-aware approaches typically enforce privacy after data...

Adversarial Vulnerability under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection

We present a longitudinal, drift-aware evaluation of adversarial robustness across more than a decade of Android applications using static and dynamic feature representations extracted from emulator and real-device executions. The dataset is organized into yearly slices and evaluated under three...