应用检测方法和装置的制造方法
【专利摘要】本申请公开了应用检测方法和装置。所述方法的一【具体实施方式】包括：从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数据构造深度学习模型；对待检测应用程序安装文件进行特征提取；对所提取的特征进行转换处理，以转换成与所述深度学习模型的输入相匹配的特征数据；将所述特征数据输入至所述深度学习模型进行匹配，得到所述待检测应用程序安装文件与预设应用类型的匹配度；展示与所述匹配度相关联的检测结果。该实施方式节省了移动终端在应用检测过程中所消耗的网络流量。
【专利说明】
应用检测方法和装置
技术领域
[0001]本申请涉及计算机技术领域，具体涉及信息安全领域，尤其涉及应用检测方法和装置。【背景技术】
[0002]在移动终端领域，移动应用数量火爆增长，应用程序的某些特性对用户的使用会产生各种各样的影响。一些类型的应用程序可能带有一些用户不需要的特性或功能，一些类型的应用程序甚至带来安全隐患。因此，需要及时对应用程序安装文件进行分析，以确定其是否为某种类型的应用。目前，现有技术在检测应用程序安装文件是否属于某种应用类型时，通常将安装文件上传到云端，然后由云端具体执行对该安装文件的检测操作。
[0003]然而，这种方式需要上传安装文件且检测过程在云端执行，文件的上传需要消耗移动终端大量的流量，且上传所需要的时间也造成在对本地文件进行检测时检测速度较慢，移动终端也不能实时展示检测结果。
【发明内容】
[0004]本申请的目的在于提出一种改进的应用检测方法和装置，来解决以上【背景技术】部分提到的技术问题。
[0005]第一方面，本申请提供了一种应用检测方法，所述方法包括:从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数据构造深度学习模型;对待检测应用程序安装文件进行特征提取;对所提取的特征进行转换处理，以转换成与所述深度学习模型的输入相匹配的特征数据;将所述特征数据输入至所述深度学习模型进行匹配，得到所述待检测应用程序安装文件与预设应用类型的匹配度;展示与所述匹配度相关联的检测结果。
[0006]在一些实施例中，所述方法还包括:通过预先记录的云端服务器地址定期向云端服务器地址发送深度学习模型文件更新请求，以对所述深度学习模型文件进行更新。
[0007]在一些实施例中，所述方法还包括:响应于用户向所述移动终端发送的模型更新命令，通过预先记录的云端服务器地址向云端服务器地址发送深度学习模型文件更新请求，以对所述深度学习模型文件进行更新。
[0008]在一些实施例中，所述展示与所述匹配度相关联的检测结果，包括:根据所述匹配度确定所述待检测应用程序安装文件属于所述预设应用类型的概率，并以概率形式展示检测结果。
[0009]在一些实施例中，所述展示与所述匹配度相关联的检测结果，包括:将所述匹配度与预先设置的匹配度阈值进行比较；当所述匹配度大于所述匹配度阈值时，确定检测结果是所述待检测应用程序安装文件属于所述预设应用类型并进行展示，否则确定检测结果是所述待检测应用程序安装文件不属于所述预设应用类型并进行展示。
[0010]在一些实施例中，所述对所述待检测应用程序安装文件进行特征提取，包括:提取所述应用程序安装文件的文件结构特征。
[0011]在一些实施例中，所述预设应用类型是以下任意一项:含广告插件应用、含支付插件应用、含统计插件应用、含收集插件应用、外挂应用、骚扰应用、风险应用、间谍应用。
[0012]第二方面，本申请提供了一种应用检测装置，所述装置包括:读取单元，用于从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数据构造深度学习模型；提取单元，用于对待检测应用程序安装文件进行特征提取;转换单元，用于对所提取的特征进行转换处理，以转换成与所述深度学习模型的输入相匹配的特征数据；匹配单元，用于将所述特征数据输入至所述深度学习模型进行匹配，得到所述待检测应用程序安装文件与预设应用类型的匹配度;展示单元，用于展示与所述匹配度相关联的检测结果。
[0013]在一些实施例中，第一模型更新单元，用于通过预先记录的云端服务器地址定期向云端服务器地址发送深度学习模型文件更新请求，以对所述深度学习模型文件进行更新。
[0014]在一些实施例中，所述装置还包括:第二模型更新单元，用于响应于用户向所述移动终端发送的模型更新命令，通过预先记录的云端服务器地址向云端服务器地址发送深度学习模型文件更新请求，以对所述深度学习模型文件进行更新。
[0015]在一些实施例中，所述展示单元进一步用于:根据所述匹配度确定所述待检测应用程序安装文件属于所述预设应用类型的概率，并以概率形式展示检测结果。
[0016]在一些实施例中，所述展示单元进一步用于:将所述匹配度与预先设置的匹配度阈值进行比较；当所述匹配度大于所述匹配度阈值时，确定检测结果是所述待检测应用程序安装文件属于所述预设应用类型并进行展示，否则确定检测结果是所述待检测应用程序安装文件不属于所述预设应用类型并进行展示。
[0017]在一些实施例中，所述提取单元进一步用于:提取所述应用程序安装文件的文件结构特征。
[0018]在一些实施例中，所述预设应用类型是以下任意一项:含广告插件应用、含支付插件应用、含统计插件应用、含收集插件应用、外挂应用、骚扰应用、风险应用、间谍应用。
[0019]本申请提供的应用检测方法和装置，通过在本地形成的深度学习模型对从待检测应用程序安装文件提取的数据进行处理得到匹配度，并利用匹配度生成最终的检测结果并展示，使得在执行时不需要进行数据上传，节省了用户流量，且检测的应用类型不限于恶意应用，适用范围更广。【附图说明】
[0020]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显:
[0021]图1是本申请可以应用于其中的示例性系统架构图；
[0022]图2是根据本申请的应用检测方法的一个实施例的流程图；
[0023]图3是根据本申请的应用检测方法的一个应用场景的示意图；
[0024]图4是根据本申请的应用检测装置的一个实施例的结构示意图；
[0025]图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。【具体实施方式】
[0026]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0027]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0028]图1示出了可以应用本申请的应用检测方法或应用检测装置的实施例的示例性系统架构1〇〇。
[0029]如图1所示，系统架构100可以包括终端设备101、102、103,网络104和服务器105。 网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0030]用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、移动安全类应用等。
[0031]终端设备101、102、103可以是具有各种移动式电子设备，包括但不限于智能手机、 平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Aud1 Layer III， 动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Aud1 Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机等等。[〇〇32] 服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上所需的深度学习模型文件提供支持的后台服务器。后台服务器可以对接收到的深度学习模型文件获取请求或更新请求等进行分析等处理，并将处理结果(例如相应的深度学习模型文件)反馈给终端设备。
[0033]需要说明的是，本申请实施例所提供的应用检测方法可以由终端设备101、102、 103执行;相应地，应用检测装置可以设置于终端设备101、102、103中。
[0034]应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0035]继续参考图2,示出了根据本申请的应用检测方法的一个实施例的流程200。所述的应用检测方法，包括以下步骤:[〇〇36]步骤201，从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数据构造深度学习模型。
[0037]在本实施例中，应用检测方法作用于其上的电子设备上存储有深度学习文件。该电子设备可以是移动终端设备。该深度学习模型文件可以是预先通过网络从云端服务器进行获取的。例如，电子设备可以预先从云端下载用于进行应用检测的应用程序安装包，该深度学习模型文件可以压缩在该安装包中。之后，电子设备在本地安装该安装文件，从而可以预先将深度学习模型文件存储在电子设备本地。又例如，原始的应用程序安装包也可以不包含上述深度学习模型文件，而可以在已通过原始的安装包安装好应用程序后再根据用户命令从云端服务器获取该深度学习模型文件并存储到本地上，以便于后续使用。需要说明的是，该深度学习模型文件通常是较小的文件(例如10M以下)，以便可以顺序存储在移动终端上，而不至于过多占用移动终端的存储空间。
[0038]通常，电子设备可以在接收到对待检测应用程序文件检测其是否属于预设应用类型的请求后，从上述存储的深度学习模型文件中读取模型数据，之后，利用模型数据重新构造成深度学习模型。其中，该深度学习模型可以用于根据待检测应用的特征数据计算待检测应用与预设应用类型的匹配度。其中，读取模型数据与构造模型通常可以通过对深度学习模型文件的加载指令实现。通过对深度学习模型文件的加载指令，可以生成深度学习模型的对象，然后调用该对象对应的方法即可实现将特征数据输入深度学习模型并对输入的特征数据进行处理。
[0039]步骤202,对待检测应用程序安装文件进行特征提取。
[0040]在本实施例中，电子设备对待检测应用程序安装文件，可以按照一定的规则对其进行特征提取。例如，可以将该安装文件的整体均作为特征，此时可以直接获取该安装文件作为特征，以用于后续步骤的处理。又例如，可以提取出安装软件中特定的部分数据作为特征。
[0041]在本实施例的一些可选实现方式中，步骤202可以提取对应用程序安装文件的文件结构特征进行提取。在该实现方式下，电子设备仅对表征应用程序安装文件中所包含的各个子文件的体系结构特征进行提取。例如，可以对各个子文件的文件名长度、文件大小的分布特征，也可以是对各个目录下的子文件数量进行统计。需要说明的是，文件结构特征包括但不限于以上所列举的特征。[〇〇42]步骤203,对所提取的特征进行转换处理，以转换成与深度学习模型的输入相匹配的特征数据。[〇〇43]在本实施例中，基于步骤202所提取的特征，电子设备进一步对其进行转换处理， 将其转换成与上述深度学习模型的输入相匹配的特征数据。对于步骤202所提取出的特征， 其数据结构可能并不与深度学习模型中输入参数的格式相契合。例如，原始提取的特征可能是字符串，而深度学习模型可接收的输入参数只支持二进制的字符串，因此需要按照一定的规则将字符串转换成二进制，以便于后续处理。[〇〇44]步骤204,将特征数据输入至深度学习模型进行匹配，得到待检测应用程序安装文件与预设应用类型的匹配度。[〇〇45]在本实施例中，在基于步骤203得到与上述深度学习模型的输入相匹配的特征数据后，电子设备可以将该特征数据输入至该深度学习模型进行处理。深度学习模型可以通过一系列运算规则对特征数据进行匹配处理，最终可以得到待检测应用程序安装文件与预设应用类型的匹配度。
[0046]需要说明的是，上述预设应用类型可以是具有共同特性的一类应用程序。例如，从安全角度区分，该预设应用类型可以是恶意软件类型，也可以是风险软件类型，还可以是非恶意软件类型。从行为模式区分，该预设应用类型可以是骚扰软件类型，也可以是外挂软件类型，还可以是间谍软件类型。从应用程序内置的插件类型划分，也可以是含广告插件应用、含支付插件应用、含统计插件应用、含收集插件应用中的任意一种。[〇〇47]步骤205,展示与匹配度相关联的检测结果。[〇〇48]在本实施例中，基于步骤204得到待检测应用程序安装文件与预设应用类型的匹配度后，该匹配度可以表征待检测应用程序安装文件与预设应用类型之间的相似度。因此， 基于该匹配度，电子设备可以生成检测结果并进行展示。
[0049]在本实施例的一些可选实现方式中，步骤205具体可以具体执行:根据匹配度确定待检测应用程序安装文件属于预设应用类型的概率，并以概率形式展示检测结果。在该实现方式下，电子设备可以首先基于匹配度确定待检测应用程序安装文件属于预设应用类型的概率。实践中，可以直接将匹配度视作概率，也可以对匹配度进行一定的转化，获得相应的概率。例如，匹配度可能是〇到1之间的一个小数，电子设备可以将其转换成百分数的概率形式进行展示。具体过程中，还可以进行修正等其他处理，这里不再赘述。
[0050]在本实施例的一些可选实现方式中，步骤205也可以按以下方式执行:将匹配度与预先设置的匹配度阈值进行比较；当匹配度大于匹配度阈值时，将待检测应用程序安装文件属于预设应用类型作为检测结果并进行展示，否则将待检测应用程序安装文件不属于预设应用类型作为检测结果并进行展示。在该实现方式中，电子设备可以预先设置匹配度阈值，例如0.5。在获得匹配度后，可以将所得到的匹配度与该匹配度阈值进行比较。之后，可以根据比较结果确定检测结果并进行展示。例如，当匹配度大于匹配度阈值时，确定检测结果为待检测应用程序安装文件属于预设应用类型，并展示该检测结果;否则，确定检测结果为待检测应用程序安装文件不属于预设应用类型，并展示相应的检测结果。
[0051]在本实施例的一些可选实现方式中，上述深度学习模型文件可以进行更新。由于该深度学习模型文件和用于进行应用检测的应用程序可以是独立的，因此可以在不对应用程序进行更新的情况下仅对该深度学习模型文件。
[0052]可选的，上述更新操作可以是通过预先记录的云端服务器地址定期向云端服务器地址发送深度学习模型文件更新请求，以对深度学习模型文件进行更新。在该方式中，可以预先设置有更新周期，当时间达到更新周期时，电子设备可以通过云端服务器地址自动发出更新请求，以实现模型文件更新。该方式可以实现模型文件的自动更新，减少用户操作。 [〇〇53]可选的，上述更新操作可以是:响应于用户向移动终端发送的模型更新命令，通过预先记录的云端服务器地址向云端服务器地址发送深度学习模型文件更新请求，以对深度学习模型文件进行更新。在该方式下，电子设备可通过对用户操作的响应对深度学习模型文件进行更新，从而实现用户对模型文件的手动更新，使得用户可以对更新进行控制，在需要时才进行更新，节省流量。
[0054]继续参见图3,图3是根据本实施例的应用检测方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过控件301选择待检测的软件(S卩XXX.apk)，并通过控件302 选择所需检测的应用类型(即外挂软件)，之后点击控件303发出检测指令。在接收检测指令后，移动终端设备300可以利用读取深度学习模型文件中的模型数据构造出深度学习模型， 之后对用户所选择的软件提取特征并将其转换成与深度学习模型的输入参数相匹配的特征数据，再将所转换的特征数据输入至深度学习模型，以利用深度学习模型进行计算得到该软件与外挂软件的匹配度。当该匹配度(例如0.9)大于预先设置的匹配度阈值(例如0.5) 时，确定检测结果是该软件属于外挂软件，并将该检测结果通过控件304进行展示，以使用户知晓。需要说明的是，该应用场景仅为示例，实践中也可以在后台对多个应用程序安装文件进行批量检测。
[0055]本申请的上述实施例提供的方法通过在本地形成的深度学习模型对从待检测应用程序安装文件提取的特征数据进行处理得到匹配度，并利用匹配度生成最终的检测结果并展示，使得在执行时不需要通过网络进行数据上传，节省了用户流量，且检测的应用类型不限于恶意应用，适用范围更广。
[0056]进一步参考图4,作为对上述各图所示方法的实现，本申请提供了一种应用检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。[0〇57] 如图4所示，本实施例所述的应用检测装置400包括:读取单元401、提取单元402、 转换单元403、匹配单元404和展示单元405。其中，读取单元401用于从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数据构造深度学习模型；提取单元402用于对待检测应用程序安装文件进行特征提取;转换单元403用于对所提取的特征进行转换处理，以转换成与深度学习模型的输入相匹配的特征数据;匹配单元404用于将特征数据输入至深度学习模型进行匹配，得到待检测应用程序安装文件与预设应用类型的匹配度;而展示单元405用于展示与匹配度相关联的检测结果。[〇〇58] 在本实施例中，应用检测装置400的读取单元401、提取单元402、转换单元403、匹配单元404和展示单元405的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤 203、步骤204和步骤205，这里不再赘述。
[0059]在本实施例的一些可选实现方式中，装置400还包括:第一模型更新单元(未示出)，用于通过预先记录的云端服务器地址定期向云端服务器地址发送深度学习模型文件更新请求，以对深度学习模型文件进行更新。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式，这里不再赘述。
[0060]在本实施例的一些可选实现方式中，装置400还包括:第二模型更新单元(未示出)，用于响应于用户向移动终端发送的模型更新命令，通过预先记录的云端服务器地址向云端服务器地址发送深度学习模型文件更新请求，以对深度学习模型文件进行更新。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式，这里不再赘述。
[0061]在本实施例的一些可选实现方式中，展示单元405进一步用于:根据匹配度确定待检测应用程序安装文件属于预设应用类型的概率，并以概率形式展示检测结果。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式，这里不再赘述。[〇〇62]在本实施例的一些可选实现方式中，展示单元405进一步用于:将匹配度与预先设置的匹配度阈值进行比较；当匹配度大于匹配度阈值时，确定检测结果是待检测应用程序安装文件属于预设应用类型并进行展示，否则确定检测结果是待检测应用程序安装文件不属于预设应用类型并进行展示。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式，这里不再赘述。
[0063]在本实施例的一些可选实现方式中，提取单元402进一步用于:提取应用程序安装文件的文件结构特征。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式在，这里不再赘述。
[0064]在本实施例的一些可选实现方式中，预设应用类型是以下任意一项:含广告插件应用、含支付插件应用、含统计插件应用、含收集插件应用、外挂应用、骚扰应用、风险应用、 间谍应用。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式，这里不再赘述。
[0065]下面参考图5,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统500的结构示意图。[〇〇66]如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(R0M)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。 CPU 501、R0M 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线 504。[〇〇67]以下部件连接至I/O接口 505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508; 以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口 505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0068]特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。
[0069]附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0070]描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为:一种处理器包括读取单元、提取单元、转换单元、匹配单元和展示单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“对待检测应用程序安装文件进行特征提取的单元”。
[0071]作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备:从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数据构造深度学习模型;对待检测应用程序安装文件进行特征提取;对所提取的特征进行转换处理，以转换成与所述深度学习模型的输入相匹配的特征数据;将所述特征数据输入至所述深度学习模型进行匹配，得到所述待检测应用程序安装文件与预设应用类型的匹配度；展示与所述匹配度相关联的检测结果。
[0072]以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
【主权项】
1.一种应用检测方法，其特征在于，所述方法包括:从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用所读取的模型数 据构造深度学习模型；对待检测应用程序安装文件进行特征提取；对所提取的特征进行转换处理，以转换成与所述深度学习模型的输入相匹配的特征数 据；将所述特征数据输入至所述深度学习模型进行匹配，得到所述待检测应用程序安装文 件与预设应用类型的匹配度；展示与所述匹配度相关联的检测结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括:通过预先记录的云端服务器地址定期向云端服务器地址发送深度学习模型文件更新 请求，以对所述深度学习模型文件进行更新。3.根据权利要求1所述的方法，其特征在于，所述方法还包括:响应于用户向所述移动终端发送的模型更新命令，通过预先记录的云端服务器地址向 云端服务器地址发送深度学习模型文件更新请求，以对所述深度学习模型文件进行更新。4.根据权利要求1所述的方法，其特征在于，所述展示与所述匹配度相关联的检测结 果，包括:根据所述匹配度确定所述待检测应用程序安装文件属于所述预设应用类型的概率，并 以概率形式展示检测结果。5.根据权利要求1所述的方法，其特征在于，所述展示与所述匹配度相关联的检测结 果，包括:将所述匹配度与预先设置的匹配度阈值进行比较；当所述匹配度大于所述匹配度阈值时，确定检测结果是所述待检测应用程序安装文件 属于所述预设应用类型并进行展示，否则确定检测结果是所述待检测应用程序安装文件不 属于所述预设应用类型并进行展示。6.根据权利要求1所述的方法，其特征在于，所述对所述待检测应用程序安装文件进行 特征提取，包括:提取所述应用程序安装文件的文件结构特征。7.根据权利要求1-6之一所述的方法，其特征在于，所述预设应用类型是以下任意一 项:含广告插件应用、含支付插件应用、含统计插件应用、含收集插件应用、外挂应用、骚扰 应用、风险应用、间谋应用。8.—种应用检测装置，其特征在于，所述装置包括:读取单元，用于从存储在移动终端本地的深度学习模型文件中读取模型数据，并利用 所读取的模型数据构造深度学习模型；提取单元，用于对待检测应用程序安装文件进行特征提取；转换单元，用于对所提取的特征进行转换处理，以转换成与所述深度学习模型的输入 相匹配的特征数据；匹配单元，用于将所述特征数据输入至所述深度学习模型进行匹配，得到所述待检测 应用程序安装文件与预设应用类型的匹配度；展示单元，用于展示与所述匹配度相关联的检测结果。9.根据权利要求8所述的装置，其特征在于，所述装置还包括:第一模型更新单元，用于通过预先记录的云端服务器地址定期向云端服务器地址发送 深度学习模型文件更新请求，以对所述深度学习模型文件进行更新。10.根据权利要求8所述的装置，其特征在于，所述装置还包括:第二模型更新单元，用于响应于用户向所述移动终端发送的模型更新命令，通过预先 记录的云端服务器地址向云端服务器地址发送深度学习模型文件更新请求，以对所述深度 学习模型文件进行更新。11.根据权利要求8所述的装置，其特征在于，所述展示单元进一步用于:根据所述匹配度确定所述待检测应用程序安装文件属于所述预设应用类型的概率，并 以概率形式展示检测结果。12.根据权利要求8所述的装置，其特征在于，所述展示单元进一步用于:将所述匹配度与预先设置的匹配度阈值进行比较；当所述匹配度大于所述匹配度阈值时，确定检测结果是所述待检测应用程序安装文件 属于所述预设应用类型并进行展示，否则确定检测结果是所述待检测应用程序安装文件不 属于所述预设应用类型并进行展示。13.根据权利要求8所述的装置，其特征在于，所述提取单元进一步用于:提取所述应用程序安装文件的文件结构特征。14.根据权利要求8-13之一所述的装置，其特征在于，所述预设应用类型是以下任意一 项:含广告插件应用、含支付插件应用、含统计插件应用、含收集插件应用、外挂应用、骚扰 应用、风险应用、间谋应用。
【文档编号】G06F21/56GK105975861SQ201610366158
【公开日】2016年9月28日
【申请日】2016年5月27日
【发明人】侯柳平, 王磊
【申请人】百度在线网络技术（北京）有限公司