🔍 耿同学打假报告

论文信息

• 论文来源：面向Android恶意软件静态检测的深度学习方法与技术研究_石智超.pdf
• 标题：面向 Android 恶意软件静态检测的深度学习方法与技术研究
• 作者：石智超
• 指导教师：韩强 (教授)，宁德军 (教授级高级工程师)
• 期刊（或来源）：北方民族大学 2026 届硕士学位论文
• DOI：无
• 发表年份：2026年3月

综合评定：🟡 存疑

详细发现

⚠️ 发现 1：统计图表违背常理的“完美线性增长”

• 位置：第一章 图1-1（近年来 Android 恶意软件数量增长趋势图）
• 描述：图片视觉分析摘要指出，该图展示了 2019 年至 2025 年的恶意软件数量，呈现出极度规律的线性递增模式。各年份之间的增量在视觉上几乎完全一致。
• 证据：真实世界中的网络安全威胁数据、恶意软件变种数量等，受各种突发因素（如某些大漏洞的爆发、各大厂商的联合打击）影响，通常会呈现波折、指数型或不规则的增长。像这种每年匀速递增、如同用尺子画出来的完美直线，完全违背了社会与网络统计数据的客观规律，高度疑似作者为了“画图而画图”，直接用等差数列生成的假数据。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

⚠️ 发现 2：实验环境与硬件配置存在时间线穿越嫌疑

• 位置：第三章 3.3.1 实验设置
• 描述：作者声称实验在 64 位 Windows 10 工作站上运行，硬件配置为 Intel® Xeon® Gold 6154 处理器与 NVIDIA TITAN V 显卡。
• 证据：当前日期为 2026 年。Xeon Gold 6154 和 TITAN V 均是 2017 年底发布的旧型号硬件。尤其是 TITAN V 仅有 12GB 显存，而在第五章中，作者声称使用了 ViT (Vision Transformer) 和 GraphCodeBERT 等大型预训练模型进行多模态微调，12GB 显存在 2026 年的标准下跑这类多模态大模型组合是极其捉襟见肘的，极大概率无法支撑论文所述的复杂训练过程。这很可能是作者直接抄袭了多年前某篇论文的实验环境描述，而没有更新硬件参数。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文在图表展示和硬件环境的描述上存在一些有违常理的疑点：一方面，图标呈现极度规律的“完美直线”增长，缺乏真实世界数据的随机波动特征；另一方面，在声称2026年完成的前沿多模态大模型研究中，却使用了老旧的2017款硬件配置。虽然目前提供的文本未能完全实锤核心公式的重复利用以及各章实验数据的系统性矛盾，但这些过于理想化和与时代脱节的细节，依然让人对实验的真实性和严谨性打上一个大大的问号。

建议后续行动

• 核查原文后续章节（第五章）的实验数据，确认是否存在与前几章基线模型的性能倒挂矛盾。
• 联系作者要求提供原始数据及图表生成脚本（特别是针对图1-1的生成方式）。
• 在知网或学校论文库评论区提出对图表及硬件时间线的质疑。
• 建议查重作者指导老师名下的其他学术论文，排查实验环境描述陈旧等问题。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。