論文の概要: One Size Does not Fit All: Quantifying the Risk of Malicious App Encounters for Different Android User Profiles

• arxiv url: http://arxiv.org/abs/2301.07346v1
• Date: Wed, 18 Jan 2023 07:31:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 13:40:22.368364
• Title: One Size Does not Fit All: Quantifying the Risk of Malicious App Encounters for Different Android User Profiles
• Title（参考訳）: Androidユーザープロフィールの悪質なアプリアカウントのリスクを定量化するOne Size
• Authors: Savino Dambra, Leyla Bilge, Platon Kotzias, Yun Shen, Juan Caballero
• Abstract要約: ユーザコミュニティ全体でマルウェアに遭遇するリスクを,大規模に定量的に分析する。 私たちの調査の核心は、1200万のAndroidモバイルデバイスから収集されたアプリのインストールログのデータセットです。 以上の結果から,一大保護ソリューションが不十分であることが確認された。
• 参考スコア（独自算出の注目度）: 18.58456177992614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous work has investigated the particularities of security practices within specific user communities defined based on country of origin, age, prior tech abuse, and economic status. Their results highlight that current security solutions that adopt a one-size-fits-all-users approach ignore the differences and needs of particular user communities. However, those works focus on a single community or cluster users into hard-to-interpret sub-populations. In this work, we perform a large-scale quantitative analysis of the risk of encountering malware and other potentially unwanted applications (PUA) across user communities. At the core of our study is a dataset of app installation logs collected from 12M Android mobile devices. Leveraging user-installed apps, we define intuitive profiles based on users' interests (e.g., gamers and investors), and fit a subset of 5.4M devices to those profiles. Our analysis is structured in three parts. First, we perform risk analysis on the whole population to measure how the risk of malicious app encounters is affected by different factors. Next, we create different profiles to investigate whether risk differences across users may be due to their interests. Finally, we compare a per-profile approach for classifying clean and infected devices with the classical approach that considers the whole population. We observe that features such as the diversity of the app signers and the use of alternative markets highly correlate with the risk of malicious app encounters. We also discover that some profiles such as gamers and social-media users are exposed to more than twice the risks experienced by the average users. We also show that the classification outcome has a marked accuracy improvement when using a per-profile approach to train the prediction models. Overall, our results confirm the inadequacy of one-size-fits-all protection solutions.
• Abstract（参考訳）: これまでの研究は、起原国、年齢、先行技術乱用、経済状況に基づいて定義された特定のユーザーコミュニティにおけるセキュリティプラクティスの特異性を調査してきた。 それらの結果は、一大のユーザアプローチを採用する現在のセキュリティソリューションが、特定のユーザコミュニティの違いやニーズを無視していることを強調している。 しかし、これらは単一のコミュニティやクラスタのユーザに焦点を当てて、サブ人口の理解が難しい。 本研究では,ユーザコミュニティをまたいで,マルウェアや他の望ましくないアプリケーション(pua)に遭遇するリスクを定量的に分析する。 私たちの調査の中心は、12万のAndroidモバイルデバイスから収集されたアプリのインストールログのデータセットです。 ユーザインストールされたアプリを活用することで、ユーザの興味(例えばゲーマーや投資家)に基づいて直感的なプロファイルを定義し、そのプロファイルに5.4Mデバイスのサブセットを適合させる。 私たちの分析は3つの部分に分かれている。 まず、悪意あるアプリ遭遇のリスクが、異なる要因によってどのように影響を受けるかを測定するために、全人口のリスク分析を行う。 次に,異なるプロファイルを作成し,利用者間のリスク差が,利用者の関心によるものであるかどうかを調べる。 最後に、クリーンデバイスと感染デバイスを分類するための注目すべきアプローチと、全人口を考慮した古典的なアプローチを比較した。 アプリシグナの多様性や代替市場の利用といった機能は、悪意のあるアプリ遭遇のリスクと非常に相関している。 また,ゲーマーやソーシャルメディア利用者など一部のプロフィールが,平均的利用者の2倍以上のリスクにさらされていることが判明した。 また,予測モデルのトレーニングにプロファイル毎のアプローチを用いる場合,分類結果の精度が著しく向上することを示した。 総じて,本研究では,1サイズの全保護ソリューションの不十分性を確認した。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• ECORS: An Ensembled Clustering Approach to Eradicate The Local And Global Outlier In Collaborative Filtering Recommender System [0.0]
  外乱検知は レコメンデーターシステムにおける 重要な研究領域です 様々なクラスタリングアルゴリズムを用いて,これらの課題に対処する手法を提案する。 実験の結果,提案手法はリコメンデータシステムにおける異常検出の精度を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-10-01T05:06:07Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。 参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。 この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter [14.483830120541894]
  本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。 SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。 モデル設計と事前学習戦略の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-17T05:35:28Z)
• User Inference Attacks on Large Language Models [26.616016510555088]
  ファインチューニング(英: Fine-tuning)は、大規模言語モデル(LLM)を特定のタスクやアプリケーションに合わせるための、一般的で効果的な方法である。 ユーザデータに対する微調整LDMのプライバシーへの影響について検討する。
  論文  参考訳（メタデータ） (2023-10-13T17:24:52Z)
• Are Personalized Stochastic Parrots More Dangerous? Evaluating Persona Biases in Dialogue Systems [103.416202777731]
  我々は、対話モデルが採用するペルソナに付随する有害な行動の感度であると定義する「ペルソナバイアス」について検討する。 我々は,人格バイアスを有害な表現と有害な合意のバイアスに分類し,攻撃性,有害継続性,関連性,ステレオタイプ合意,および有害合意の5つの側面において,人格バイアスを測定する包括的な評価枠組みを確立する。
  論文  参考訳（メタデータ） (2023-10-08T21:03:18Z)
• A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations [6.694971161661218]
  異なるジャンルがレコメンデーションパフォーマンスの不整合に与える影響について検討する。 人気コンテンツへの関心がほとんどないユーザは、最悪のレコメンデーションの精度を得られる。 実験の結果,特定のジャンルがレコメンデーションパフォーマンスの不整合に異なる程度寄与していることが判明した。
  論文  参考訳（メタデータ） (2023-03-01T10:39:58Z)
• 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)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
  ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。 本稿では,データ駆動型多面信頼モデルを提案する。 信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
  論文  参考訳（メタデータ） (2021-11-11T19:40:51Z)

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。