随着Android平台的爆炸性普及,恶意软件(恶意软件)的数量也在急剧增加。因此,已经提出了许多基于深度学习的恶意软件检测方案。然而,它们通常受到具有复杂架构和巨大参数的繁琐模型的困扰。它们通常需要强大的计算能力支持,这严重限制了它们在资源有限的实际应用环境(例如移动边缘设备)中的部署。为了克服这一挑战,我们提出了一种新的知识蒸馏(KD)结构——知识搜索(KS)。KS通过引入并行化的学生搜索方法,利用神经架构搜索(NAS)自适应地弥合KD中教师和学生网络之间的能力差距。此外,我们仔细分析了恶意软件的特点,并找到了与恶意攻击密切相关的三种经济高效的功能,即应用程序编程接口(API)、权限和易受攻击的组件,以描述Android应用程序(Apps)的特征。因此,基于近年来收集的典型样本,我们在利用特征之间的自然关系的同时对其进行细化,并构建相应的数据集。进行了大量实验,以调查KS在这些数据集上的有效性和可持续性。我们的实验结果表明,所提出的方法检测Android恶意软件的准确率为97.89%,其性能优于最先进的解决方案。