論文の概要: RacketStore: Measurements of ASO Deception in Google Play via Mobile and
App Usage
- arxiv url: http://arxiv.org/abs/2111.10400v1
- Date: Fri, 19 Nov 2021 19:24:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 09:52:04.163698
- Title: RacketStore: Measurements of ASO Deception in Google Play via Mobile and
App Usage
- Title（参考訳）: RacketStore: モバイルおよびアプリ使用によるGoogle PlayのASO誤認の測定
- Authors: Nestor Hernandez, Ruben Recabarren, Bogdan Carbunar, Syed Ishtiaque
Ahmed
- Abstract要約: ASOプロバイダとレギュラーユーザによって制御される803個のユニークなデバイス上で,RacketStoreの973個のインストールについて検討した。
ASOプロバイダとレギュラーユーザの間には,デバイスに登録されているユーザアカウントの数とタイプにおいて,大きな違いがみられた。
教師付き学習アルゴリズムをトレーニングして、有料アプリのインストールと偽レビューを99.72%のF1尺度で検出できることが示されている。
- 参考スコア（独自算出の注目度）: 20.13310058856793
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Online app search optimization (ASO) platforms that provide bulk installs and
fake reviews for paying app developers in order to fraudulently boost their
search rank in app stores, were shown to employ diverse and complex strategies
that successfully evade state-of-the-art detection methods. In this paper we
introduce RacketStore, a platform to collect data from Android devices of
participating ASO providers and regular users, on their interactions with apps
which they install from the Google Play Store. We present measurements from a
study of 943 installs of RacketStore on 803 unique devices controlled by ASO
providers and regular users, that consists of 58,362,249 data snapshots
collected from these devices, the 12,341 apps installed on them and their
110,511,637 Google Play reviews. We reveal significant differences between ASO
providers and regular users in terms of the number and types of user accounts
registered on their devices, the number of apps they review, and the intervals
between the installation times of apps and their review times. We leverage
these insights to introduce features that model the usage of apps and devices,
and show that they can train supervised learning algorithms to detect paid app
installs and fake reviews with an F1-measure of 99.72% (AUC above 0.99), and
detect devices controlled by ASO providers with an F1-measure of 95.29% (AUC =
0.95). We discuss the costs associated with evading detection by our
classifiers and also the potential for app stores to use our approach to detect
ASO work with privacy.
- Abstract（参考訳）: オンラインアプリ検索最適化(aso: online app search optimization)プラットフォームは、アプリストアにおける検索ランクを不正に増やすために、有料アプリ開発者に大量のインストールと偽レビューを提供する。
本稿では、Google Play Storeからインストールしたアプリとのインタラクションに基づいて、ASOプロバイダとレギュラーユーザのAndroidデバイスからデータを収集するプラットフォームであるRacketStoreを紹介する。
これらのデバイスから収集された58,362,249個のデータスナップショット、インストールされた12,341個のアプリ、および110,511,637個のGoogle Playレビューで構成されている。
ASOプロバイダとレギュラーユーザの間には,デバイスに登録されているユーザアカウントの数とタイプ,レビューするアプリの数,インストール時間とレビュー時間との間隔において,大きな違いがみられた。
これらの洞察を活用して、アプリやデバイスの使用をモデル化する機能を導入し、有料アプリのインストールと偽レビューを99.72%(AUC以上0.99)で検出する教師付き学習アルゴリズムをトレーニングし、F1の95.29%(AUC=0.95)でASOプロバイダが管理するデバイスを検出することができることを示す。
分類器による検出回避に伴うコストと、アプリストアがASOのプライバシー問題を検出するために我々のアプローチを利用する可能性についても論じる。
関連論文リスト
- SPA-Bench: A Comprehensive Benchmark for SmartPhone Agent Evaluation [89.24729958546168]
We present SPA-Bench, a comprehensive SmartPhone Agent Benchmark designed to evaluate (M)LLM-based agent。
SPA-Benchは3つの重要なコントリビューションを提供している。 英語と中国語の両方で、システムとサードパーティアプリをカバーする多様なタスクセットで、日々のルーチンで一般的に使用される機能に焦点を当てている。
複数の次元にまたがってエージェントのパフォーマンスを自動的に評価する新しい評価パイプラインは、タスク完了とリソース消費に関連する7つの指標を含んでいる。
論文 参考訳（メタデータ） (2024-10-19T17:28:48Z) - What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。
本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T18:47:26Z) - What Is an App Store? The Software Engineering Perspective [8.551225450507687]
アプリケーションストア」とは、エンドユーザーがソフトウェアアプリケーションを閲覧、購入、ダウンロード、インストールできるオンラインソフトウェアストアである。
今のところ、最もよく知られているアプリストアは、Google Play for AndroidやAppleのApp Store for iOSなど、モバイルプラットフォームに関連付けられている。
現在、多種多様なアプリストアがあり、これらのストアはほとんど研究者によって見過ごされている。
論文 参考訳（メタデータ） (2024-01-08T23:56:45Z) - MobileRec: A Large-Scale Dataset for Mobile Apps Recommendation [13.500977307018669]
MobileRecには1930万のユーザインタラクション(すなわちアプリのユーザレビュー)があり、48のカテゴリに10万以上のユニークなアプリがある。
MobileRecは、インストールされたアプリに対するユーザーの評価だけでなく、インストールされたアプリに対する感情も提示し、各アプリには、アプリ名、カテゴリ、説明、全体的な評価といった豊富なメタデータが含まれている。
論文 参考訳（メタデータ） (2023-03-12T06:39:40Z) - 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) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳（メタデータ） (2021-04-14T22:59:08Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - Understanding Incentivized Mobile App Installs on Google Play Store [16.095843448016552]
広告プラットフォームにより、モバイルアプリ開発者は、モバイルアプリのインストールやエンゲージメントに直接課金することで、新しいユーザーを獲得することができる。
Apple App StoreとGoogle Play Storeは、アプリストアのメトリクスを操作できるため、インセンティブ付きインストールを妨げている。
本研究は,Androidにおけるインセンティブ付モバイルアプリインストールキャンペーンのエコシステムを理解するための最初の研究である。
論文 参考訳（メタデータ） (2020-10-04T07:27:28Z) - 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) - An Empirical Study of In-App Advertising Issues Based on Large Scale App
Review Analysis [67.58267006314415]
われわれは,App StoreとGoogle Playの広告関連ユーザフィードバックに関する大規模分析を行った。
広告関連レビュー36,309件の統計分析から,利用者は使用中のユニーク広告数や広告表示頻度を最も気にしていることがわかった。
いくつかの広告イシュータイプは、他の広告イシューよりも開発者によって迅速に対処される。
論文 参考訳（メタデータ） (2020-08-22T05:38:24Z) - Less is More: A privacy-respecting Android malware classifier using
Federated Learning [2.1301190271783312]
LiMは、Federated Learningを利用して悪意のあるアプリを検出し、分類するマルウェア分類フレームワークである。
新たにインストールされたアプリに関する情報は、ユーザのデバイスにローカルに保持されるため、プロバイダは、ユーザがインストールしたアプリを推測することはできない。
LiMは、クライアントの半数を制御している敵による毒殺攻撃と、正直だが悪質なクラウドサーバによる推論攻撃の両方に対して堅牢であることを示す。
論文 参考訳（メタデータ） (2020-07-16T13:20:33Z)
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。