Going Native: Using a Large-Scale Analysis of Android Apps to Create a Practical Native-Code Sandboxing Policy

背景

• 出处：NDSS ’16, 21-24 February 2016, San Diego, CA, USA
• 作者：Vitor Afonso�, Antonio Bianchiy, Yanick Fratantonioy, Adam Doup´ez, Mario Polinox, Paulo de Geus, Christopher Kruegely, and Giovanni Vignay

概述

论文主要观点

对大量app的native code进行了统计分析，提出了一种新型的可以自动生成策略的native code沙箱。

成果

• 开发了一个可以用来监控本地代码部分执行的工具，并且使用这个工具做了大批量的分析；
• 对收集来的数据进行了系统性分析，发现良性应用是如何使用native code的，并放出了全部数据；
• 结果显示完全去除native code的权限是不理想的，利用动态分析系统可自动生成native 沙箱策略，以限制恶意应用的行为。

方法模型

分析基础

只取有使用native code迹象的app来分析；
分析工具记录native code的全部事件和操作，工具以Androguard tool为基础修改了一些模块；
为了区别java和native code的行为，观察从java到native和native到java的切换；
同时监控数据交换。

数据分析

使用Google Monkey用一些随机事件（或连续）去刺激app的全部组件。
分析了native code的行为，java与native code直接的交互，super user权限的使用，JNI调用统计，Binder调用，外部lib的使用。

安全策略生成

所谓安全策略就是正常的行为，其实就是个白名单；
安全策略生成关键是给一个参数（迭代次数）。选择一个大多数app都有的系统调用，迭代这个过程，直到生成一个系统调用的list可以使百分之所给阈值的应用都能正常执行native code。

实验

简单说明了下安全策略的影响和一些发现。

总结

优点

大量数据分析

不足

方法较为单薄，本质还是数据分析

我的想法

。。。