Research Article

تحسين اكتشاف البرمجيات الخبيثة لأندرويد من خلال تقنيات الذكاء الجماعي والترميز التلقائي المطبقة في تحليل استدعاءات واجهة برمجة التطبيقات

DOI:

10.3791/69398

⸱

December 30th, 2025

 , 
1Department of CSE, Koneru Lakshmaiah Education Foundation

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقترح إطار عمل هجين لكشف البرمجيات الخبيثة لأندرويد، يستفيد من تمثيلات الميزات المكتسبة والمصنفات التقليدية لتعزيز دقة الكشف، وتقليل هندسة الميزات اليدوية، ومواجهة تهديدات البرمجيات الخبيثة المتطورة بفعالية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تتضمن استخبارات أمن البرمجيات الخبيثة تحليل التطبيقات وبياناتها الوصفية لتحديد التهديدات الأمنية المحتملة. تعد استدعاءات واجهة برمجة التطبيقات (API) مصدرا قيما للمعلومات لاكتشاف البرمجيات الخبيثة. تقليل مساحة الميزات في تحليل البرمجيات الخبيثة يعزز كفاءة تحديد التهديدات. تسعى هذه الأبحاث إلى تحديد أهم ميزات استدعاء واجهة برمجة التطبيقات لتعزيز دقة اكتشاف البرمجيات الخبيثة في أندرويد. تستخدم ثلاث تقنيات تحسين تعتمد على ذكاء السرب - تحسين اليراعة، تحسين البحث بالوقواق، وتحسين مستعمرة النمل - جنبا إلى جنب مع الترميز التلقائي لاستخراج أهم الميزات. لتقييم هذه الطرق المستندة إلى التغليفات المستوحاة من الطبيعة، تستخدم مصنفات تعلم الآلة الشائعة، بما في ذلك K-أقرب جار (KNN)، الغابة العشوائية (RF)، آلة الدعم المتجه (SVM)، شجرة القرار (DT)، والانحدار الخطي (LR). علاوة على ذلك، أظهر أن المصنف العصبي الصناعي الهجين يحسن أداء تصنيف البرمجيات الخبيثة. تظهر نتائج التجارب فعالية الطريقة المقترحة دقة تبلغ 98.87٪ باستخدام 7 من أصل 100 ميزة استدعاء API فقط.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أشهر نظام تشغيل للهواتف المحمولة هو أندرويد، الذي يعتمد على لينكس ويمتلكحصة سوقية عالمية تبلغ 72.55٪. على عكس أنظمة التشغيل الأخرى التي تخضع لقوانين صارمة وحقوق نشر، فإن أندرويد هو منصة مفتوحة المصدر ترحب بمساهمات المطورين حول العالم. ولكن بسبب قاعدة المستخدمين الكبيرة، تستهدفه هجمات الفيروسات بشكل متكرر. البرمجيات الخبيثة هي مصطلح للبرمجيات الخبيثة التي تهدف إلى اختراق تشغيل أنظمة الحاسوب أو استغلال المعلومات الخاصة. أكثر الطرق شيوعا لاختراق البرمجيات الخبيثة في نظام أندرويد البيئي هي من خلال تحميل التطبيقات. بينما تكون التطبيقات التي تم الحصول عليها من مصادر موثوقة آمنة عموما، إلا أن التطبيقات التي تم تنزيلها....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تستخدم طريقة اختيار الميزات القائمة على الغلاف باستخدام الترميز التلقائي في البنية المقترحة لاكتشاف البرمجيات الخبيثة في أندرويد، كما هو موضح في الشكل 1. تنقسم مجموعة البيانات إلى مجموعات تدريب واختبار بنسبة 70:30. التصنيف واختيار الميزات هما الخطوتان الرئيسيتان في عملية تحليل البرمجيات الخبيثة.

اختيار الميزات (FS): هذه الخطوة هي البحث التكراري عن أفضل مجموعات الميزات الفرعية (انظر التعريف 1) باستخدام خوارزميات تعتمد على ذكاء السرب، لا سيما تحسين البحث في Cuckoo (CSO)، وتحسين أسد النمل (ALO)، وتحسين اليراعات (FO). بعد ذلك، تقوم أجهزة الترميز التلقائي بمعالجة ال....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تستخدم عدة مؤشرات أداء مثل متوسط تربيع الخطأ (MSE)، والجذر المتوسط التربيعي للخطأ (RMSE)، والدقة، والاسترجاع، ودرجة F1، والدقة، في نظام كشف البرمجيات الخبيثة المقترح لأندرويد لتقييم دقة التصنيف. فيما يلي تعريف لهذه المقاييس.

figure-results-1
figure-results-2

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تهديدات البرمجيات الخبيثة لأندرويد في تزايد، مع استخدام الخصوم تقنيات تهرب متزايدة التطور. تلعب أنظمة وتطبيقات الجوال المبنية على أندرويد دورا حيويا في المدن الذكية والبيئات الصناعية. ضمان أمان هذه الأنظمة، خاصة في مثل هذه المجالات الحرجة، يتطلب آليات قوية لاكتشاف البرمجيات الخبيثة. مؤخرا، حظي أبحاث اكتشاف البرمجيات الخبيثة القائمة على التعلم الآلي باهتمام كبير18. ومع ذلك، تعتمد العديد من الطرق الحالية على هندسة الميزات17، وهي عملية تتطلب ت.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم تؤثر أي تضارب مصالح أو تأثيرات خارجية على نتائج هذا العمل. جميع الطرق والنتائج والتفسيرات المقدمة أصلية وغير متحيزة

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أود أن أعبر عن امتناني الصادق لدليلي وKLU، اللذين دعما هذا العمل. كانت إرشاداتهم وملاحظاتهم وتشجيعهم لا تقدر بثمن طوال تطوير هذا المشروع.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
نافيغيتور أناكونداشركة أناكوندا.الملاح-2023
جوجل كولابجوجل ذ.م.ملا يوجد
دفتر جوبيترمشروع جوبيترلا يوجد
بايثونمؤسسة بايثون للبرمجيات>=3.9
بايتورشأبحاث الذكاء الاصطناعي على فيسبوك>=2.0
سكيت-لرنمدفوع بالمجتمع>=1.0
تنسور فلوجوجل برين>=2.8
نظام تشغيل ويندوزشركة مايكروسوفت11

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Stat Counter. Mobile operating systems' market share worldwide. , https://gs.statcounter.com/os-market-share/mobile/worldwide (2025).
  2. Daj, A. C., Mateescu, A., Endre-Laszlo, A., Baciu, A., Flondor, E. Malicious-google-play-apps-bypassed-android-security. , https://www.bitdefender.com/en-us/blog/labs/malicious-google-play-apps-bypassed-android-security (2025).
  3. Han, Q., Subrahmanian, V. S., Xiong, Y.....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Android Malware DetectionSwarm IntelligenceAPI Call AnalysisAutoencoder TechniquesFeature SelectionFirefly OptimizationCuckoo Search OptimizationAnt Colony OptimizationMachine Learning ClassifiersNeural Network Classifier

Related Articles