論文の概要: Brief View and Analysis to Latest Android Security Issues and Approaches
- arxiv url: http://arxiv.org/abs/2109.00805v1
- Date: Thu, 2 Sep 2021 09:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 13:44:11.420445
- Title: Brief View and Analysis to Latest Android Security Issues and Approaches
- Title(参考訳): 最新のAndroidセキュリティ問題とアプローチに関する簡単な見解と分析
- Authors: Ruicong Huang
- Abstract要約: 最新のマルウェア、Androidのセキュリティ機能、アプローチなど、幅広い分析を行っています。
また、情報を集め、実験を行っているときの発見も提供します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to the continuous improvement of performance and functions, Android
remains the most popular operating system on mobile phone today. However,
various malicious applications bring great threats to the system. Over the past
few years, significant changes occured in both malwares and counter measures.
Specifically, malwares are continuously evolving, and advanced approaches are
adopted for more accurate detection. To keep up with the latest situation, in
this paper, we conduct a wide range of analysis, including latest malwares,
Android security features, and approaches. We also provide some finding when we
are gathering information and carrying on experiments, which we think is useful
for further researches and has not been mentioned in previous works.
- Abstract(参考訳): パフォーマンスと機能の継続的な改善により、Androidは今日でも携帯電話で最も人気のあるオペレーティングシステムである。
しかし、様々な悪意あるアプリケーションがシステムに大きな脅威をもたらす。
過去数年間、マルウェアと対策の両方で重大な変化が起こった。
具体的には、マルウェアは継続的に進化しており、より正確な検出のために高度なアプローチが採用されている。
最新の状況に対応するため,本稿では,最新のマルウェア,androidセキュリティ機能,アプローチなど,幅広い分析を行う。
また,情報収集や実験の実施が今後の研究に有用で,これまでの研究で言及されていないものもいくつか紹介する。
関連論文リスト
- Characterizing Robocalls with Multiple Vantage Points [50.423738777985314]
苦情や通話量はまだ高いものの、無言通話は緩やかに減少傾向にある。
ロボコールがSTIR/SHAKENに適応していることがわかりました。
以上の結果から,電話スパムの特徴化と防止に向けた今後の取り組みの最も有望な方向性が浮かび上がっている。
論文 参考訳(メタデータ) (2024-10-22T18:54:12Z) - ActDroid: An active learning framework for Android malware detection [3.195234044113248]
12秒ごとに新しいマルウェアがオンラインに現れる。
オンライン学習は、アプリケーションラベリングの問題を軽減するために使用できる。
私たちのフレームワークは最大96%の精度を実現しています。
論文 参考訳(メタデータ) (2024-01-30T13:10:33Z) - 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) - On building machine learning pipelines for Android malware detection: a
procedural survey of practices, challenges and opportunities [4.8460847676785175]
スマートフォン市場のリーダーとして、Androidはマルウェア攻撃の目玉ターゲットとなっている。
特に市場保有者や研究者にとって、多数のサンプルが手動によるマルウェア検出を不可能にしている。
提案されたアプローチのいくつかは高いパフォーマンスを達成するが、急速に進化するAndroidマルウェアは、時間とともにその正確性を維持することができない。
論文 参考訳(メタデータ) (2023-06-12T13:52:28Z) - 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) - Analysis of Longitudinal Changes in Privacy Behavior of Android
Applications [79.71330613821037]
本稿では,プライバシに関して,Androidアプリが時間とともにどのように変化してきたかを検討する。
HTTPSの採用、アプリが他のインストール済みアプリのデバイスをスキャンするかどうか、プライバシに敏感なデータに対するパーミッションの使用、ユニークな識別子の使用について検討する。
アプリがアップデートを受け続けるにつれて、プライバシ関連の振る舞いは時間とともに改善され、アプリによって使用されるサードパーティライブラリが、プライバシに関するより多くの問題に責任を負っていることが分かっています。
論文 参考訳(メタデータ) (2021-12-28T16:21:31Z) - 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) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳(メタデータ) (2021-04-29T09:54:54Z) - Early Detection of In-Memory Malicious Activity based on Run-time
Environmental Features [4.213427823201119]
攻撃前に行われたメモリ内の悪意ある活動を検出するための新しいエンドツーエンドソリューションを提案する。
このソリューションは、オーバーヘッドと偽陽性の低減とデプロイの簡略化を実現します。
論文 参考訳(メタデータ) (2021-03-30T02:19:00Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z) - Adversarial Machine Learning Attacks and Defense Methods in the Cyber
Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。
サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文 参考訳(メタデータ) (2020-07-05T18:22:40Z)
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。