論文の概要: Android Malware Detection using Feature Ranking of Permissions
- arxiv url: http://arxiv.org/abs/2201.08468v1
- Date: Thu, 20 Jan 2022 22:08:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 21:22:36.236620
- Title: Android Malware Detection using Feature Ranking of Permissions
- Title（参考訳）: パーミッションの特徴ランキングを用いたAndroidマルウェア検出
- Authors: Muhammad Suleman Saleem, Jelena Mi\v{s}i\'c, and Vojislav B.
Mi\v{s}i\'c
- Abstract要約: 当社はAndroidのパーミッションを車として使用し、良性アプリとマルウェアアプリを迅速かつ効果的に区別できるようにしています。
解析の結果,本手法は,他の手法よりも精度が高く,Fスコア値も高いことがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the use of Android permissions as the vehicle to allow for
quick and effective differentiation between benign and malware apps. To this
end, we extract all Android permissions, eliminating those that have zero
impact, and apply two feature ranking algorithms namely Chi-Square test and
Fisher's Exact test to rank and additionally filter them, resulting in a
comparatively small set of relevant permissions. Then we use Decision Tree,
Support Vector Machine, and Random Forest Classifier algorithms to detect
malware apps. Our analysis indicates that this approach can result in better
accuracy and F-score value than other reported approaches. In particular, when
random forest is used as the classifier with the combination of Fisher's Exact
test, we achieve 99.34\% in accuracy and 92.17\% in F-score with the false
positive rate of 0.56\% for the dataset in question, with results improving to
99.82\% in accuracy and 95.28\% in F-score with the false positive rate as low
as 0.05\% when only malware from three most popular malware families are
considered.
- Abstract（参考訳）: 我々は,androidのパーミッションを,良性アプリとマルウェアアプリを迅速かつ効果的に区別するための手段として利用することを検討する。
この目的のために、すべてのAndroidパーミッションを抽出し、影響をゼロにするパーミッションを排除し、Chi-SquareテストとFisherのExactテストという2つの機能ランキングアルゴリズムを適用してランク付けし、フィルタする。
次に、決定木、サポートベクターマシン、ランダムフォレスト分類アルゴリズムを使用してマルウェアアプリを検出する。
解析の結果,本手法は,他の手法よりも精度が高く,Fスコア値も高いことがわかった。
特に、フィッシャーの正確なテストと組み合わせてランダムフォレストを分類する場合には、99.34\%、f-scoreでは92.17\%、f-scoreでは0.56\%、精度は99.82\%、f-scoreでは95.28\%と、最も人気のある3つのマルウェアファミリーのマルウェアのみを考慮すると0.05\%となる。
関連論文リスト
- The Effectiveness of Edge Detection Evaluation Metrics for Automated Coastline Detection [2.5311562666866494]
自動海岸線検出のためのRMSE, PSNR, SSIM, FOMを評価した。
我々は、49の試験地点にわたる95の海岸線衛星画像にCannyエッジ検出を適用した。
FOMは最良のしきい値を選択するための最も信頼性の高い指標であった。
論文 参考訳（メタデータ） (2024-05-19T09:51:10Z) - Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。
学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。
利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
論文 参考訳（メタデータ） (2023-12-25T21:25:55Z) - 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) - 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) - Leveraging Uncertainty for Improved Static Malware Detection Under
Extreme False Positive Constraints [21.241478970181912]
本研究では,静的マルウェア検出のための機械学習手法のアンサンブル処理とベイズ処理により,モデル誤りの同定精度が向上することを示す。
特に,本研究では,従来手法で期待されていた0.69から0.80まで,実際に実現された1e-5のFPRにおける真の正の率(TPR)を,Sophos業界スケールデータセット上で最高のモデルクラスで改善する。
論文 参考訳（メタデータ） (2021-08-09T14:30:23Z) - Dynamic detection of mobile malware using smartphone data and machine
learning [0.0]
モバイルマルウェアは、モバイルデバイスをターゲットにした悪意のあるプログラムである。
アクティブなスマートフォンユーザーの数は増加すると予想され、モバイルマルウェアの検出に関する研究の重要性を強調している。
本稿では,特権アクセスを使わずに,Android上でマルウェアを検出する機械学習(ML)技術の性能について概説する。
論文 参考訳（メタデータ） (2021-07-23T12:33:14Z) - Identification of Significant Permissions for Efficient Android Malware
Detection [2.179313476241343]
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。
論文 参考訳（メタデータ） (2021-02-28T22:07:08Z) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳（メタデータ） (2020-09-17T17:59:27Z) - Maat: Automatically Analyzing VirusTotal for Accurate Labeling and
Effective Malware Detection [71.84087757644708]
マルウェア分析と検出の研究コミュニティは、約60台のスキャナーのスキャン結果に基づいてAndroidアプリをラベル付けするために、オンラインプラットフォームVirusTotalに依存している。
VirusTotalから取得したスキャン結果を最もよく解釈する方法の基準はありません。
機械学習(ML)ベースのラベリングスキームを自動生成することで,標準化と持続可能性というこれらの問題に対処する手法であるMaatを実装した。
論文 参考訳（メタデータ） (2020-07-01T14:15:03Z) - Robust Spammer Detection by Nash Reinforcement Learning [64.80986064630025]
我々は,スパマーとスパム検知器が互いに現実的な目標を競うミニマックスゲームを開発する。
提案アルゴリズムは,スパマーが混在するスパマーが実用目標を達成するのを確実に防止できる平衡検出器を確実に見つけることができることを示す。
論文 参考訳（メタデータ） (2020-06-10T21:18:07Z) - Phishing URL Detection Through Top-level Domain Analysis: A Descriptive
Approach [3.494620587853103]
本研究では,Splunkプラットフォーム内で使用可能な不正なURLを検出する機械学習モデルを開発することを目的とする。
文学における同様のアプローチから着想を得た私たちは、悪意のあるデータセットと良心的なデータセットを使用して、SVMとランダムフォレストアルゴリズムを訓練しました。
我々はアルゴリズムの性能を精度とリコールで評価し,ランダムフォレストの場合,最大85%の精度と87%のリコールを達成した。
論文 参考訳（メタデータ） (2020-05-13T21:41:29Z)
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。