文章核心內(nèi)容、創(chuàng)新點(diǎn)總結(jié)及關(guān)鍵部分翻譯一、文章主要內(nèi)容總結(jié)本文針對移動應(yīng)用商店人工審核流程繁瑣、現(xiàn)有自動化工具靈活性差且難以處理多源異構(gòu)數(shù)據(jù)等問題，提出了基于大型語言模型（LLMs）的移動應(yīng)用風(fēng)險分析系統(tǒng)Mars，旨在實(shí)現(xiàn)可擴(kuò)展、可解釋的自動化風(fēng)險識別與分析。1. 研究背景與問題移動應(yīng)用商店每日接收大量應(yīng)用提交，其中部分存在廣告彈窗、惡意軟件、應(yīng)用變形等安全風(fēng)險，但當(dāng)前審核依賴人工與半自動化工具，存在效率低、成本高、易出錯的問題?，F(xiàn)有自動化工具多針對單一風(fēng)險類型，數(shù)據(jù)來源單一，難以處理高維異構(gòu)數(shù)據(jù)；直接應(yīng)用LLMs則面臨上下文窗口限制（無法處理多源數(shù)據(jù)）與幻覺問題（輸出不實(shí)信息，導(dǎo)致誤判）。2. Mars系統(tǒng)設(shè)計Mars采用“離線知識準(zhǔn)備+在線實(shí)時分析”兩階段流程：離線階段：構(gòu)建風(fēng)險識別樹（Risk Identification Tree），整合兩類關(guān)鍵信息——基于歷史下架應(yīng)用數(shù)據(jù)的“數(shù)據(jù)驅(qū)動信號”（如同類風(fēng)險應(yīng)用的共性模式）和領(lǐng)域?qū)＜姨釤挼摹爸R驅(qū)動規(guī)則”（如異常分發(fā)行為）。該樹為層級結(jié)構(gòu)，根節(jié)點(diǎn)對應(yīng)風(fēng)險類別（如廣告彈窗），葉節(jié)點(diǎn)為風(fēng)險相關(guān)特征，可過濾無關(guān)數(shù)據(jù)，降低LLM輸入維度。在線階段：新應(yīng)用提交后，先通過風(fēng)險識別樹篩選無關(guān)特征，再將提取的關(guān)鍵指標(biāo)輸入LLM進(jìn)行風(fēng)險判定；