随着移动互联网的迅猛发展,安卓恶意软件检测近年来成为一个重要的研究方向。一方面,随着近年来机器学习技术的广泛应用,恶意软件检测质量和效率都有了很大的提升。然而,已有机器学习方法过分依赖预定义特征、实际应用开发成本高、效果提升和横向功能扩展难的问题仍旧没有得到很好的解决。另一方面,虽然深度学习技术具有更强的数据分析能力,但目前还处于初步研究阶段,实际工程应用中完全使用深度学习模型进行恶意软件检测的情况少之又少。因此,为了验证完全采用深度学习技术进行恶意软件检测的可行性和实用性,本研究以应用运行时产生的系统调用序列为分析对象,创新性地提出并实现了一种基于分层卷积的端到端模型。为了增强该方法的实用性,本研究设计并实现了应用自动化测试程序,并收集到了 10,000个恶意样本,4231个正常样本。同时,为了验证模型效果,本研究复现了其他论文中的方法,并在相同测试集上进行了测试。另外,为了选取模型的最佳参数,本研究还实现了基于网格搜索的自动化的参数测试程序。总体来说,本研究解决了传统系统调用序列分析方法中,序列有效分析长度过短的问题,将可分析长度从不超过5扩充到10,000;同时,该方法不依赖任何先验知识,无需任何特征工程,更不用对输入数据进行任何预处理或其他限制,只需提供原始的调用序列样本即可完成恶意性判别。在提高模型泛化能力的同时,大大降低了实际应用开发成本;本研究在测试集上取得了高达97.3%的准确率,相较于基线高出6.44%。F1值为95.36%,比基线高出9.75%;同时,模型大概需要400分钟即可完成训练,测试阶段的判别速度为毫秒级别。本研究不仅为恶意软件检测提供了新思路,还具有很高的实际应用价值。