論文の概要: Identification of Significant Permissions for Efficient Android Malware
Detection
- arxiv url: http://arxiv.org/abs/2103.00643v1
- Date: Sun, 28 Feb 2021 22:07:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 15:55:34.896001
- Title: Identification of Significant Permissions for Efficient Android Malware
Detection
- Title（参考訳）: 効率的なAndroidマルウェア検出のための重要なパーミッションの同定
- Authors: Hemant Rathore, Sanjay K. Sahay, Ritvik Rajvanshi, Mohit Sewak
- Abstract要約: 5つのビジネス/産業モバイルアプリケーションの1つが機密個人データを漏洩します。
従来のシグネチャ/ヒューリスティックベースのマルウェア検出システムは、現在のマルウェア問題に対処できない。
機械学習とディープニューラルネットワークを用いた効率的なAndroidマルウェア検出システムを提案する。
- 参考スコア（独自算出の注目度）: 2.179313476241343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since Google unveiled Android OS for smartphones, malware are thriving with
3Vs, i.e. volume, velocity, and variety. A recent report indicates that one out
of every five business/industry mobile application leaks sensitive personal
data. Traditional signature/heuristic-based malware detection systems are
unable to cope up with current malware challenges and thus threaten the Android
ecosystem. Therefore recently researchers have started exploring machine
learning and deep learning based malware detection systems. In this paper, we
performed a comprehensive feature analysis to identify the significant Android
permissions and propose an efficient Android malware detection system using
machine learning and deep neural network. We constructed a set of $16$
permissions ($8\%$ of the total set) derived from variance threshold,
auto-encoders, and principal component analysis to build a malware detection
engine that consumes less train and test time without significant compromise on
the model accuracy. Our experimental results show that the Android malware
detection model based on the random forest classifier is most balanced and
achieves the highest area under curve score of $97.7\%$, which is better than
the current state-of-art systems. We also observed that deep neural networks
attain comparable accuracy to the baseline results but with a massive
computational penalty.
- Abstract（参考訳）: Googleがスマートフォン向けAndroid OSを発表して以来、マルウェアは3Vで繁栄している。
容積、速度および変化。
最近のレポートでは、ビジネス/産業モバイルアプリの1つに1つが機密個人データを漏洩しています。
従来のシグネチャ/ヒューリスティックベースのマルウェア検出システムは、現在のマルウェア問題に対処できず、Androidエコシステムを脅かす。
そのため、近年、機械学習とディープラーニングに基づくマルウェア検出システムの研究が始まっている。
本稿では,重要なAndroidパーミッションを特定するための包括的特徴分析を行い,機械学習とディープニューラルネットワークを用いた効率的なAndroidマルウェア検出システムを提案する。
分散しきい値,オートエンコーダ,主成分分析から得られた16ドルのパーミッション(全セットの8.%)のセットを構築して,モデル精度に大きな妥協を伴わずに,より少ない列車とテスト時間を消費するマルウェア検出エンジンを構築した。
私たちの実験結果は、ランダムな森林分類器に基づくAndroidマルウェア検出モデルが最もバランス良く、現在の最先端のシステムよりも優れた曲線スコアで最高面積の97.7\%$を達成していることを示しています。
また、ディープニューラルネットワークは、ベースライン結果に匹敵する精度を持つが、計算のペナルティは大きいことも観察した。
関連論文リスト
- MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。
我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。
この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文 参考訳（メタデータ） (2024-09-29T07:22:47Z) - Unraveling the Key of Machine Learning Solutions for Android Malware
Detection [33.63795751798441]
本稿では,機械学習によるAndroidマルウェア検出に関する包括的調査を行う。
まず、文献を調査し、Androidの機能エンジニアリングとMLモデリングパイプラインに基づいた分類にコントリビューションを分類する。
そして、MLベースのAndroidマルウェア検出のための汎用フレームワークを設計し、異なる研究コミュニティから12の代表的なアプローチを再実装し、有効性、堅牢性、効率性の3つの主要な側面から評価する。
論文 参考訳（メタデータ） (2024-02-05T12:31:19Z) - Can you See me? On the Visibility of NOPs against Android Malware Detectors [1.2187048691454239]
本稿では,NOPや類似の非運用コードを見つけることの難しさを評価するための可視性指標を提案する。
われわれは、Androidマルウェア検出のための最先端のオプコードベースのディープラーニングシステム上で、我々の測定値を試した。
論文 参考訳（メタデータ） (2023-12-28T20:48:16Z) - DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified
Robustness [58.23214712926585]
我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。
具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。
私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
論文 参考訳（メタデータ） (2023-03-20T17:25:22Z) - 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) - Fast & Furious: Modelling Malware Detection as Evolving Data Streams [6.6892028759947175]
マルウェアはコンピュータシステムにとって大きな脅威であり、サイバーセキュリティに多くの課題を課している。
本研究では,2つのAndroidデータセットに対するマルウェア分類器に対する概念ドリフトの影響を評価する。
論文 参考訳（メタデータ） (2022-05-24T18:43:40Z) - Mate! Are You Really Aware? An Explainability-Guided Testing Framework
for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。
次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。
我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文 参考訳（メタデータ） (2021-11-19T08:02:38Z) - GANG-MAM: GAN based enGine for Modifying Android Malware [1.6799377888527687]
機械学習に基づくマルウェア検出は、敵の攻撃に対して脆弱である。
そこで我々は,Androidのマルウェアを強力に回避し,悪質なプログラムを修正するための特徴ベクトルを生成するシステムを提案する。
論文 参考訳（メタデータ） (2021-09-27T18:36:20Z) - Android Malware Category and Family Detection and Identification using
Machine Learning [0.0]
本稿では,Android マルウェアの動的解析のための2つの機械学習手法を提案する。
提案手法は,99%以上の精度でAndroid Malware Category検出を実現し,99%以上の精度でAndroid Malware Family検出を実現している。
論文 参考訳（メタデータ） (2021-07-05T10:48:40Z) - Being Single Has Benefits. Instance Poisoning to Deceive Malware
Classifiers [47.828297621738265]
攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。
マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。
我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
論文 参考訳（メタデータ） (2020-10-30T15:27:44Z) - Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。
本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。
本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
論文 参考訳（メタデータ） (2020-07-28T19:00:40Z)
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。