随着互联网信息技术的快速发展,大数据分析和人工智能技术正驱使着我们的生活变得更加便捷。然而,恶意代码威胁的行为却在逐步上升,据统计2017年安卓恶意代码相比2016年增加了17.6%,而这个数据还会持续增长,所以恶意代码的检测愈演愈烈。基于对抗式生成网络(Generative Adversarial Network,GAN)的恶意代码检测思想,是获得满足真实恶意代码数据特征且能欺骗判别器判别的“真实”样本分布,以达到抵御恶意代码攻击,提升恶意代码检测效率的目的。首先,提出了一种新的安卓恶意代码APK到图像纹理特征提取的切割方式,称作“图谱化段自增长的纹理分割算法”。其次,基于Low-tubal rank的张量奇异值(Tensor Singular Value Decomposition,t-SVD)分解方式,实现不同尺寸大小的图像统一成固定的三阶张量的形式,输入到神经网络中进行模型的训练和学习。最后,提出了一种灵活的恶意代码检测框架(Flexible Malicious App Detection Model based on Generative Adversarial Network with Code Tensor,MTFD-GAN),基于对抗式生成网络的恶意代码检测模型,它面向代码张量的处理方式,输入到恶意代码检测器中进行检测。实验使用了广泛用于恶意代码检测分析的数据集——Drebin,它包含179个不同恶意软件家族的5560个文件。实验抽取了2000个特征种类明显的数据进行测试,实验结果显示,提出的模型能够普遍超过传统的恶意代码检测模型,最大提升效率为41.6%,最小为1.31%。同时GAN网络生成器新生成的样本极大丰富了样本的多样性,且重复训练恶意代码检测器能够有效提升传统模型的检测效率,提高模型的鲁棒性。