本代码属于“BIDO：一种应对图像型恶意软件检测中混淆与概念漂移挑战的统一方法”。
作者：Junhui Li1, Chengbin Feng2, Zhiwei Yang1, Qi Mo1 和 Wei Wang1。
机构1：软件学院，云南大学，昆明，云南 650091，中国。 机构2：信息系统学院，新南威尔士大学，悉尼，新南威尔士州 2052，澳大利亚。
由于数据集规模较大，我们通过云存储提供公开访问，并在本仓库中提供详细的使用说明。
完整的 Data-Ideal 和 Data-Obfu 数据集托管在 OneDrive：https://1drv.ms/f/c/90ae1e5185e3d1c1/IgDhovkur4wcSbDRiadcg66nAVDRM9BNRXRN5ftU2kKnIcY?e=skQjJD
本仓库在以下章节中提供了有关数据集结构、预处理和使用的详细说明。
本项目使用两个 Android 恶意软件数据集，旨在评估理想学习条件以及混淆条件下的鲁棒性。
该数据集共包含 24,830 个 Android 应用程序，其中包含 12,375 个恶意样本和 12,455 个良性样本。
标签基于 VirusTotal 扫描结果分配。如果一个应用程序获得零个检测结果，则标注为良性；如果被超过四个杀毒引擎标记，则标注为恶意。
APK 文件收集自多个广泛使用且权威的来源，包括 Google Play、AndroZoo 和 CICMalDroid2020 基准数据集。
该数据集源自 Data-Ideal 数据集，使用 Obfuscapk 工具对每个应用程序依次应用六种混淆技术。
应用的技术包括类与方法重命名、资源字符串加密、控制流混淆、新对齐、新签名和垃圾代码插入。
在移除混淆过程中出现错误的应用程序后，最终数据集包含 12,088 个恶意样本和 11,044 个良性样本。
