안드로이드 생태계는 지속적으로 진화하는 악성코드 위협에 직면해 있으며, 기존 머신러닝 탐지기는 구현 특이적 특징에 의존해 그 분포가 시간에 따라 변하는 개념 표류(concept drift)에 취약하다. LLM은 강력한 의미 이해와 제로샷 추론을 제공하지만, 현재의 LLM 기반 탐지기는 대개 코드 중심 또는 단일 차원 증거에 의존해 난독화에 취약하고 포괄적인 행동 분석에 한계가 있다. 연구진은 동적 안드로이드 악성코드 탐지를 위한 멀티모달 에이전트 협업 프레임워크 'Moirae'를 제시했다. Moirae는 멀티모달 런타임 증거를 동적으로 수집하고 ReAct 기반 전문 에이전트들이 상호보완적인 행동 관점을 분석하도록 하며, 시각적 기만 단서 식별과 UI 상태 전이 모델링, 런타임 API 행동 통합을 결합해 다차원 증거를 융합한다. 시간적·분포적으로 미확인된 데이터셋 실험에서 Moirae는 미세조정 없이 90.06%의 정확도를 달성해 최신 기준선을 능가하고 개념 표류에 대한 강력한 제로샷 일반화 성능을 보였다.

• •안드로이드 악성코드 탐지의 개념 표류 취약성 문제 해결을 위한 프레임워크 Moirae 제안
• •ReAct 기반 전문 에이전트들이 멀티모달 런타임 증거를 협업 분석하는 구조
• •시각적 기만 단서·UI 상태 전이·런타임 API 행동을 융합해 다차원 증거 확보
• •미세조정 없이 미확인 데이터셋에서 정확도 90.06% 달성, 최신 기준선 능가
• •개념 표류 상황에서도 강한 제로샷 일반화 성능 입증