LLM提示工程在安卓恶意软件检测中的创新应用

1. 项目背景与核心思路

在移动安全领域，安卓恶意软件检测一直是个棘手的难题。传统方案主要依赖特征码匹配和行为分析，但随着恶意软件进化速度加快，这些方法逐渐暴露出滞后性高、误报率大的缺陷。AppPoet项目另辟蹊径，将大语言模型（LLM）的提示工程能力引入检测流程，通过语义理解实现更智能的威胁识别。

这个方案的巧妙之处在于：它没有简单地将LLM作为黑箱分类器使用，而是通过精心设计的提示模板（Prompt Template），引导模型聚焦于APK文件中的关键特征。比如在分析某个银行木马样本时，系统会要求模型特别关注权限申请列表、敏感API调用模式以及网络通信行为这三个维度，最终给出带置信度的判断结果。

2. 技术架构解析

2.1 核心组件设计

整个系统采用模块化架构，主要包含三个关键组件：

1. APK解析引擎：基于Androguard改造的定制化工具链，能提取以下关键要素：

   • AndroidManifest.xml中的权限声明
   • 反编译后的Smali代码调用关系
   • 资源文件中的可疑字符串
   • 动态分析沙箱的运行日志

2. 提示工程工作台：包含多组预定义的提示模板，例如：

   python复制def generate_permission_prompt(permissions):
       base = "分析以下Android权限组合，判断其恶意可能性：\n"
       return base + "\n".join(f"- {p}" for p in permissions)
   

3. LLM推理网关：支持同时对接多个模型API（如GPT-4、Claude等），包含结果校验和投票机制

2.2 关键实现细节

在动态分析模块中，我们开发了独特的"行为触发器"机制。当APK在模拟器中运行时，系统会自动执行以下操作序列：

1. 模拟用户点击遍历所有Activity
2. 注入测试数据到输入框
3. 监控后台服务启动情况
4. 记录网络请求的域名和频次

这些行为日志会通过特定格式的prompt提交给LLM分析。例如当检测到高频请求陌生域名时，提示模板会强调：

"请注意以下网络行为模式：每30秒向akamai-tech.net发送加密数据