静态检测技术:
优点：可以提供测试环境更安全、速度更快。
缺点：容易受到包装器和恶意代码混淆技术、部分反拆卸技术的影响，导致静态方法无效。
主要方法：
n-gram字节代码作为特征用于检测野外恶意可执行文件;(n-g表达式是指n序列中相邻的元素，而这些元素可以是字节、指令或其他信息软件的功能)
挖掘windows中可执行文件的结构特征;
恶意软件二进制文件可视化为灰度图像，使用图像处理技术可视化和分类恶意软件;
从恶意软件程序中提取结构信息作为属性函数调用图(Kong等人将样本进行反汇编，并从汇编代码中生成样本的函数调用图。对于每个函数，提取6种类型的特征。针对每一类特征，采用判别距离度量学习算法进行聚类，最后利用权值组合得到检测模型。恶意代码静态方法容易受到包装器和恶意代码混淆技术的影响;部分反拆卸技术，导致静态方法无效。)
动态检测技术:
优点：可以提供测试环境更安全、速度更快。
缺点：容易受到包装器和混淆技术的影响，在分析之前通常需要外壳解密，并进行标准化处理。
主要方法：
opcodes n-gram
API调用序列(Nair等人通过对[18]恶意代码及其变体API调用序列进行动态分析，从这种恶意代码中提取共享API调用短序列作为签名，可以实现对同类恶意代码的检测。Chen和Fu[19]通过对恶意代码的动态分析得到API调用序列，API调用短序列遍历API调用具有相同的长度，然后将这些短序列放入向量中，作为恶意代码的签名。Firdausi等人[20]提出了一种动态行为恶意代码检测方法，该方法监控样本的系统调用，然后将系统调用报告转换为向量空间模型。该方法采用两种特征提取方法:(1)用二进制0或1表示特征值;(2)用系统调用的频率表示特征值。通过使用多种机器学习分类算法对两种特征进行处理，使系统调用频率特征表示取得稍好效果。Ahmed等人通过在动态API调用序列中挖掘时空信息来进行恶意代码检测。空间信息是指API调用的参数和返回值的统计，包括均值、方差、熵、最小值和最大值。时间信息是指API调用序列的传输概率。以上的动态检测方法使用的是系统调用序列的固定长度，但是很难确定序列的短长度是否合理，即使是一个最优的长度值，也会丢失大量的语义信息，即另一个序列的长度）
由于恶意代码需要实现自 身 的 功 能 需 要 借 助 操 作 系 统 提 供 的 ＡＰＩ 完 成， 而 ＡＰＩ的调用序列可以 表 示 恶 意 代 码 的 行 为 以 及 涉 及 的 语 义 信息。ＡＰＩ调用序列分为静态和动态的调用序列，静态调用序 列不需要运行程序的前提下获得文件导入表或者反汇编文件中 的 ＡＰＩ调用序列，动态调 用 序 列 即 需 要 在 虚 拟 机 运 行 程 序 中 利用调试等技术获得 与 系 统 交 互 的 ＡＰＩ调 用 序 列。获 得 ＡＰＩ 调用信息作为特征，使用分类算法进行检测，最后达到了较高 的精度。然而，由于恶意 代 码 会 隐 藏 导 入 表 ＡＰＩ的 调 用，使 得无法获得全部 ＡＰＩ调用信息，最终导致静态 ＡＰＩ序列 作为 特征检测恶意代码的效率不高，但恶意代码需要完成自身功能 及时隐藏导入表 ＡＰＩ调用，也会与操作系统中的 ＡＰＩ进 行 交 互，因此 Ｚｈａｎ ｇＭ［ ４］将 可 疑 文 件 置 于 虚 拟 机 中 运 行 动 态 获 得 ＡＰＩ序列，并计算 ＡＰＩ序列 和 正 常 文 件 的 距 离 作 为 特 征 进 行 检测。动态获得 ＡＰＩ调用 序列的特征进 行 检 测 技 术 中，要 获 得特征就必须运行恶意代码，导致开销过大，而对于某些能够 检测到虚拟机存在环境的病毒无能为力，并且一些恶意代码采 用了相关行为层的混 淆 技 术，导 致 动 态 提 取 ＡＰＩ调 用 序 列 失 败。
图(软件控制流程图、数据流程图、系统调用图,函数调用图,然后通过相似性测量的检测,数据挖掘和机器学习的方法来实现恶意代码)(26 Karbalaie等人提出了一种基于调用图的恶意代码挖掘系统检测方法;该方法首先将系统调用序列转换为图)
函数调用图是编译过程对程序中函数调用关系的一种静态 描述，其中节点表示函数，边表示函数之间的调用关系，由于 程序的功能性主要由库函数和系统调用来决定，因此函数调用 图能为程序的实际行为提供静态的有效近似，是程序的结构化 表示形式，对于基于源码或二进制码的局部软件变形具有鲁棒 性，函数调用图通 过 ＩＤＡＰｒｏ 这 种 成 熟 的 交 互 式 反 汇 编 工 具 生成。
FCG捕获程序的调用关系，其中的每个顶点代表一个本地函数。对于每个本地函数，我们首先将其转换为中间语言，然后从中提取六种类型的属性。它们包括操作码（每个操作码的出现频率），API（调用每个库API函数的次数），内存（在此函数中进行的内存读写操作次数），IO（数量） I / O读写操作），寄存器（每个寄存器的读写操作次数）和Flag（每个文件的更改次数）。于每种属性类型，我们将其表示为与本地函数关联的特征向量。
混合检测技术
生物免疫检测技术
提高分类准确率，降低FN,不增加负载。
2014 Drebin Effective and Explainable Detection of Android Malware in Your Pocket：
集合了很多特征，使用机器学习方法分类。
CCS(CA)-2014-Semantics-Aware Android Malware Classification Using Weighted Contextual API Dependency Graphs：
基于语义的，behavior graph,
Fan et al. - 2016 - Frequent Subgraph Based Familial Classification of Android Malware:
TDSC(JA)-2016-MADAM Effective and Efficient Behavior-based Android Malware Detection and Prevention:
看不懂a
DroidDetector: Android Malware Characterization and Detection Using Deep Learning
mali是介于Java代码和Dalvik字节码之间的一种中间语言。许多同学可能知道，编写Android APP通常使用Java语言，Java编译之后得到dex文件，给Dalvik虚拟机执行。在Android逆向时，为了更方便地对Dalvik字节码进行理解或修改，引入了一种中间语言即Smali。Java代码、Smali代码、Dalvik字节码的关系类似于C代码、汇编代码、机器码的关系。 Smali语法十分简单，易于理解，通常对APP的重打包修改也是在Smali语言的层面上进行。有关Smali语法的具体规则这里不做过多介绍，大家可自行搜索资料。我们可以使用smali、baksmali工具实现Smali代码与dex文件的转换。
在安全应用程序中注入恶意程 序 主要由以下步骤构成，第一步对其进行反汇编；第二步在 反汇编后的安全应用程序中注入恶意代码，加入的应用程序的 功能和恶意攻击的代码的内容有关；第三步将被改写过的安全应用程序重新打包并签名。
要 提 取 函 数 调 用 图 需 在 第 三 方 网 站 上 下 载 ＡＰＫ 文件，对 ＡＰＫ 文件进行解压，ＭＥＴＡ－ＩＮＦ 为存放签名;信息文件ｒｅｓ目 录 存 放 资 源 文 件，ｃｌａｓｓｅｓ．ｄｅｘ 是ｊ ａｖａ 源 码 编 译后生成的ｊ ａｖａ字节码文 件，是 最 终 用 来 被 虚 拟 机 Ｄａｌｖｉｋ 加 载和运行的可执行 Ａｎｄｒｏｉｄ 文件。对 ｃｌａｓｓｅｓ．ｄｅｘ 文件反编译， 根据反编译的程序即可生成函数调用图， 其中节点表示函数，边表示函数之间的调用关系，有向边 也称弧，边的始点称为弧尾，终点称为弧头，一条弧表示弧尾 的节点函数调用弧头的节点函数。
具有语法性的特征：考虑可执行程序的语法结构（限制较多，当前多使用具有语义性的特征）