文章核心内容、创新点总结及关键部分翻译一、文章主要内容总结本文针对移动应用商店人工审核流程繁琐、现有自动化工具灵活性差且难以处理多源异构数据等问题，提出了基于大型语言模型（LLMs）的移动应用风险分析系统Mars，旨在实现可扩展、可解释的自动化风险识别与分析。1. 研究背景与问题移动应用商店每日接收大量应用提交，其中部分存在广告弹窗、恶意软件、应用变形等安全风险，但当前审核依赖人工与半自动化工具，存在效率低、成本高、易出错的问题。现有自动化工具多针对单一风险类型，数据来源单一，难以处理高维异构数据；直接应用LLMs则面临上下文窗口限制（无法处理多源数据）与幻觉问题（输出不实信息，导致误判）。2. Mars系统设计Mars采用“离线知识准备+在线实时分析”两阶段流程：离线阶段：构建风险识别树（Risk Identification Tree），整合两类关键信息——基于历史下架应用数据的“数据驱动信号”（如同类风险应用的共性模式）和领域专家提炼的“知识驱动规则”（如异常分发行为）。该树为层级结构，根节点对应风险类别（如广告弹窗），叶节点为风险相关特征，可过滤无关数据，降低LLM输入维度。在线阶段：新应用提交后，先通过风险识别树筛选无关特征，再将提取的关键指标输入LLM进行风险判定； Towards Scalable and Interpretable Mobile App Risk Analysis via Large Language Models
文章核心内容、创新点总结及关键部分翻译一、文章主要内容总结本文针对移动应用商店人工审核流程繁琐、现有自动化工具灵活性差且难以处理多源异构数据等问题，提出了基于大型语言模型（LLMs）的移动应用风险分析系统Mars，旨在实现可扩展、可解释的自动化风险识别与分析。1. 研究背景与问题移动应用商店每日接收大量应用提交，其中部分存在广告弹窗、恶意软件、应用变形等安全风险，但当前审核依赖人工与半自动化工具，存在效率低、成本高、易出错的问题。现有自动化工具多针对单一风险类型，数据来源单一，难以处理高维异构数据；直接应用LLMs则面临上下文窗口限制（无法处理多源数据）与幻觉问题（输出不实信息，导致误判）。2. Mars系统设计Mars采用“离线知识准备+在线实时分析”两阶段流程：离线阶段：构建风险识别树（Risk Identification Tree），整合两类关键信息——基于历史下架应用数据的“数据驱动信号”（如同类风险应用的共性模式）和领域专家提炼的“知识驱动规则”（如异常分发行为）。该树为层级结构，根节点对应风险类别（如广告弹窗），叶节点为风险相关特征，可过滤无关数据，降低LLM输入维度。在线阶段：新应用提交后，先通过风险识别树筛选无关特征，再将提取的关键指标输入LLM进行风险判定； RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
