論文の概要: A Multi-modal Neural Embeddings Approach for Detecting Mobile
Counterfeit Apps: A Case Study on Google Play Store
- arxiv url: http://arxiv.org/abs/2006.02231v1
- Date: Tue, 2 Jun 2020 07:10:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:17:30.163551
- Title: A Multi-modal Neural Embeddings Approach for Detecting Mobile
Counterfeit Apps: A Case Study on Google Play Store
- Title（参考訳）: モバイル偽造アプリ検出のためのマルチモーダルニューラルネットワーク埋め込みアプローチ:Google Play Storeを事例として
- Authors: Naveen Karunanayake, Jathushan Rajasegaran, Ashanie Gunathillake,
Suranga Seneviratne, Guillaume Jourjon
- Abstract要約: 本稿では、画像とテキストの埋め込みを作成するためのディープラーニング手法の最近の進歩を活用することを提案する。
本稿では,コンテンツ埋め込みとスタイル埋め込みを組み合わせた新しい手法が,画像類似性のためのベースライン手法よりも優れていることを示す。
われわれは、Google Play Storeから約120万のアプリを分析し、トップ10,000の人気アプリの偽造の可能性を特定した。
- 参考スコア（独自算出の注目度）: 4.5170827242233145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Counterfeit apps impersonate existing popular apps in attempts to misguide
users to install them for various reasons such as collecting personal
information or spreading malware. Many counterfeits can be identified once
installed, however even a tech-savvy user may struggle to detect them before
installation. To this end, this paper proposes to leverage the recent advances
in deep learning methods to create image and text embeddings so that
counterfeit apps can be efficiently identified when they are submitted for
publication. We show that a novel approach of combining content embeddings and
style embeddings outperforms the baseline methods for image similarity such as
SIFT, SURF, and various image hashing methods. We first evaluate the
performance of the proposed method on two well-known datasets for evaluating
image similarity methods and show that content, style, and combined embeddings
increase precision@k and recall@k by 10%-15% and 12%-25%, respectively when
retrieving five nearest neighbours. Second, specifically for the app
counterfeit detection problem, combined content and style embeddings achieve
12% and 14% increase in precision@k and recall@k, respectively compared to the
baseline methods. Third, we present an analysis of approximately 1.2 million
apps from Google Play Store and identify a set of potential counterfeits for
top-10,000 popular apps. Under a conservative assumption, we were able to find
2,040 potential counterfeits that contain malware in a set of 49,608 apps that
showed high similarity to one of the top-10,000 popular apps in Google Play
Store. We also find 1,565 potential counterfeits asking for at least five
additional dangerous permissions than the original app and 1,407 potential
counterfeits having at least five extra third party advertisement libraries.
- Abstract（参考訳）: 偽造アプリは、ユーザーの個人情報の収集やマルウェアの拡散など、さまざまな理由でユーザーをインストールさせようとしている。
多くの偽造物は一度インストールすると識別できるが、テクノロジーに精通したユーザーでさえインストール前に検出に苦労する可能性がある。
そこで,本稿では,画像とテキストの埋め込み作成におけるディープラーニング手法の最近の進歩を活用して,公開時に偽造アプリを効率的に識別する手法を提案する。
コンテンツ埋め込みとスタイル埋め込みを組み合わせた新しい手法は,SIFT,SURF,各種画像ハッシュ法などの画像類似性のベースライン手法よりも優れていることを示す。
画像類似度評価のための2つのよく知られたデータセットを用いて提案手法の性能評価を行い, 近接する5つの近傍を検索すると, コンテンツ, スタイル, 複合埋め込みが精度を10%-15%, リコール@kを12%-25%向上させることを示した。
第二に、アプリの偽造検出問題に特化して、コンテンツとスタイルの埋め込みの組み合わせは、それぞれベースラインメソッドと比較して精度が12%、精度が14%向上する。
第3に、Google Play Storeから約120万のアプリを分析し、トップ10,000の人気アプリに対する潜在的な偽造を識別する。
保守的な仮定では、49,608のアプリの中にマルウェアを含む偽物が2,040個あり、google playストアの人気アプリのトップ10,000によく似ています。
また、元のアプリよりも少なくとも5つの危険な許可を求める1,565件の偽装品と、少なくとも5つのサードパーティ広告ライブラリを持つ偽装品1,407件が見つかった。
関連論文リスト
- LLM App Squatting and Cloning [12.626589260776404]
アプリのスクワットやアプリのクローンといった偽造戦術は、モバイルアプリストアで長年の課題を提起してきた。
我々は,LLMappCrazyというカスタムビルドツールを用いて,LLMアプリのスクワットとクローンの大規模解析を行った。
論文 参考訳（メタデータ） (2024-11-12T03:32:30Z) - Detecting and Characterising Mobile App Metamorphosis in Google Play Store [0.0]
本稿では, メタモルファスを行うアプリケーションを特定するための, 新規かつ効率的なマルチモーダル検索手法を提案する。
本手法は, 再生, 再ブランド, 再購入など, 様々な形態変化のシナリオを明らかにする。
われわれはセキュリティとプライバシーのリスクを隠蔽し、テクノロジーに精通したエンドユーザーにも影響を及ぼす可能性を秘めている。
論文 参考訳（メタデータ） (2024-07-19T03:26:40Z) - A Risk Estimation Study of Native Code Vulnerabilities in Android Applications [1.6078134198754157]
我々は,Androidアプリケーションのネイティブな部分に関連するリスクスコアを提供する,高速なリスクベースのアプローチを提案する。
多くのアプリケーションには、誤信が潜在的に悪用する可能性のある、よく知られた脆弱性が含まれていることが示されています。
論文 参考訳（メタデータ） (2024-06-04T06:44:07Z) - Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。
既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。
本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
論文 参考訳（メタデータ） (2023-10-08T10:08:21Z) - Pattern Spotting and Image Retrieval in Historical Documents using Deep
Hashing [60.67014034968582]
本稿では,歴史文書のデジタルコレクションにおける画像検索とパターンスポッティングのためのディープラーニング手法を提案する。
ディープラーニングモデルは、実数値またはバイナリコード表現を提供する2つの異なるバリエーションを考慮して、特徴抽出に使用される。
また,提案手法により検索時間を最大200倍に短縮し,関連する作業と比較してストレージコストを最大6,000倍に削減する。
論文 参考訳（メタデータ） (2022-08-04T01:39:37Z) - Towards a Fair Comparison and Realistic Design and Evaluation Framework
of Android Malware Detectors [63.75363908696257]
一般的な評価フレームワークを用いて,Androidのマルウェア検出に関する10の研究成果を分析した。
データセットの作成やデザイナの設計に考慮しない場合、トレーニングされたMLモデルに大きく影響する5つの要因を特定します。
その結果,MLに基づく検出器は楽観的に評価され,良好な結果が得られた。
論文 参考訳（メタデータ） (2022-05-25T08:28:08Z) - Erasing Labor with Labor: Dark Patterns and Lockstep Behaviors on Google
Play [13.658284581863839]
Google Playのポリシーは、アプリの配置を操作するためのインセンティブ付きインストール、評価、レビューの使用を禁止している。
社会技術レンズによるインストールインセンティブアプリについて検討し、レビューとパーミッションの混合メソッド分析を行う。
私たちのデータセットには、60以上のアプリから5ヶ月以上にわたって収集された319万のレビューが含まれています。
インストールインセンティブのアプリに対する不正なレビューの証拠を見つけ、それに続いて、アプリとレビュアーの動的二部グラフのエッジストリームとしてモデル化します。
論文 参考訳（メタデータ） (2022-02-09T16:54:27Z) - A high performance fingerprint liveness detection method based on
quality related features [66.41574316136379]
このシステムは、10,500枚以上の実画像と偽画像からなる非常に難しいデータベースでテストされている。
提案手法はマルチシナリオデータセットに対して堅牢であることが証明され、全体の90%が正しく分類されたサンプルである。
論文 参考訳（メタデータ） (2021-11-02T21:09:39Z) - An Effective and Robust Detector for Logo Detection [58.448716977297565]
一部の攻撃者は、よく訓練されたロゴ検出モデルを侵害で騙している。
本稿では,2回検討する機構に基づく新しいロゴ検出手法を提案する。
我々は,デテクトRSアルゴリズムを,等化損失関数,マルチスケール変換,および逆データ拡張を備えたカスケードスキーマに拡張する。
論文 参考訳（メタデータ） (2021-08-01T10:17:53Z) - Emerging App Issue Identification via Online Joint Sentiment-Topic
Tracing [66.57888248681303]
本稿では,MERITという新しい問題検出手法を提案する。
AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。
Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
論文 参考訳（メタデータ） (2020-08-23T06:34:05Z) - A Note on Deepfake Detection with Low-Resources [0.0]
ディープフェイク(Deepfakes)とは、ニューラルネットワークを使って顔が違う人物の顔に代わることの多い、変化を含むビデオである。
本稿では,ユーザのDeepfakesを計算能力に乏しく検出する2つの方法を提案する。
論文 参考訳（メタデータ） (2020-06-09T11:07:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。