論文の概要: Same App, Different Behaviors: Uncovering Device-specific Behaviors in Android Apps
- arxiv url: http://arxiv.org/abs/2406.09807v1
- Date: Fri, 14 Jun 2024 07:58:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 14:34:29.418911
- Title: Same App, Different Behaviors: Uncovering Device-specific Behaviors in Android Apps
- Title（参考訳）: Androidアプリでデバイス固有の振る舞いを発見する
- Authors: Zikan Dong, Yanjie Zhao, Tianming Liu, Chao Wang, Guosheng Xu, Guoai Xu, Haoyu Wang,
- Abstract要約: 実世界のAndroidアプリにおいて,デバイス固有の動作に関する大規模な実証的研究を行った。
デバイス固有の行動の分布を調べることで、中国のサードパーティアプリマーケット内のアプリが、Google Playのアプリに比べて、より関連性の高い行動を示すことが明らかになった。
問題修正や機能適応といった一般的な行動以外にも、何百万ダウンロードという人気アプリを含む33のアグレッシブなアプリを観察しました。
- 参考スコア（独自算出の注目度）: 16.015694809763538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Android ecosystem faces a notable challenge known as fragmentation, which denotes the extensive diversity within the system. This issue is mainly related to differences in system versions, device hardware specifications, and customizations introduced by manufacturers. The growing divergence among devices leads to marked variations in how a given app behaves across diverse devices. This is referred to as device-specific behaviors. In this work, we present the first large-scale empirical study of device-specific behaviors in real-world Android apps. We have designed a three-phase static analysis framework to accurately detect and understand the device-specific behaviors. Upon employing our tool on a dataset comprising more than 20,000 apps, we detected device-specific behaviors in 2,357 of them. By examining the distribution of device-specific behaviors, our analysis revealed that apps within the Chinese third-party app market exhibit more relevant behaviors compared to their counterparts in Google Play. Additionally, these behaviors are more likely to feature dominant brands that hold larger market shares. Reflecting this, we have classified these device-specific behaviors into 29 categories based on implemented functionalities, providing structured insight into these behaviors. Beyond common behaviors like issue fixes and feature adaptations, we observed 33 aggressive apps, including popular ones with millions of downloads, abusing system properties of customized ROMs to obtain user-unresettable identifiers without requiring permission, substantially impacting user privacy. Finally, we investigated the origins of device-specific behaviors, revealing significant challenges developers face in implementing them comprehensively. Our research sheds light on the promising but less touched research direction of device-specific behaviors, benefiting community stakeholders.
- Abstract（参考訳）: Androidエコシステムはフラグメンテーションとして知られる注目すべき課題に直面しており、システム内の広範な多様性を示している。
この問題は主に、システムバージョン、デバイスハードウェア仕様、メーカーによって導入されたカスタマイズの違いに関連している。
デバイス間の差異の増大は、特定のアプリがさまざまなデバイス間でどのように振る舞うかに顕著な変化をもたらす。
これをデバイス固有の行動と呼ぶ。
本研究では,実世界のAndroidアプリにおいて,デバイス固有の動作に関する大規模な実証的研究を行った。
我々は,デバイス固有の動作を正確に検出し,理解するための3段階の静的解析フレームワークを設計した。
20,000以上のアプリからなるデータセットにツールを採用すると、2,357のデバイス固有の動作を検出しました。
デバイス固有の行動の分布を調べることで、中国のサードパーティアプリマーケット内のアプリが、Google Playのアプリに比べて、より関連性の高い行動を示すことが明らかになった。
さらに、こうした行動は、より大きな市場シェアを持つ支配的なブランドを特徴付ける傾向にある。
これを反映して、実装された機能に基づいて、これらのデバイス固有の動作を29のカテゴリに分類し、これらの動作に関する構造化された洞察を提供する。
問題修正や機能適応といった一般的な動作以外にも、何百万ものダウンロードを持つ人気のあるアプリを含む33のアグレッシブなアプリが、カスタマイズされたROMのシステムプロパティを悪用して、許可を必要とせず、ユーザプライバシに大きな影響を与えます。
最後に,デバイス固有の動作の起源を調査し,包括的に実装する上で開発者が直面する重要な課題を明らかにした。
我々の研究は、デバイス固有の行動に関する将来性はあるものの、触れられていない研究の方向性に光を当て、コミュニティの利害関係者に利益をもたらします。
関連論文リスト
- Detecting and Characterising Mobile App Metamorphosis in Google Play Store [0.0]
本稿では, メタモルファスを行うアプリケーションを特定するための, 新規かつ効率的なマルチモーダル検索手法を提案する。
本手法は, 再生, 再ブランド, 再購入など, 様々な形態変化のシナリオを明らかにする。
われわれはセキュリティとプライバシーのリスクを隠蔽し、テクノロジーに精通したエンドユーザーにも影響を及ぼす可能性を秘めている。
論文 参考訳（メタデータ） (2024-07-19T03:26:40Z) - Generalization of Fitness Exercise Recognition from Doppler Measurements
by Domain-adaption and Few-Shot Learning [12.238586191793997]
以前の研究では、未修正の市販オフザシェルフスマートフォンを使用して、全身運動を認識するモバイルアプリケーションを開発した。
このような実験室環境のトレーニングされたモデルを現実的なアプリケーションのバリエーションに適用することは、パフォーマンスを著しく低下させます。
本稿では、フィットネスエクササイズの制御および制御されていないサブセットを持つデータベースを提案する。
論文 参考訳（メタデータ） (2023-11-20T16:40:48Z) - Taming Android Fragmentation through Lightweight Crowdsourced Testing [9.752084629147854]
我々は,クラウドソースによるAndroidの断片化を緩和する,新しい,軽量なクラウドソーステスト手法であるLAZYCOWを提案する。
実世界のAndroidデバイス上で数千のテストケースの実験結果から、LAZYCOWはAPIによる互換性の問題を自動的に識別し、検証するのに有効であることが示された。
論文 参考訳（メタデータ） (2023-04-10T01:37:16Z) - One Size Does not Fit All: Quantifying the Risk of Malicious App
Encounters for Different Android User Profiles [18.58456177992614]
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。
論文 参考訳（メタデータ） (2023-01-18T07:31:41Z) - 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) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。
未発見のオブジェクトを扱うには不備だ。
このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文 参考訳（メタデータ） (2021-04-30T07:58:19Z) - 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) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。
ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。
我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
論文 参考訳（メタデータ） (2020-05-20T21:07:28Z)
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。