Amélioration de la détection des malwares Android grâce à l’intelligence en essaim et aux techniques d’autoencoder appliquées à l’analyse des appels API

Summary

Un cadre hybride de détection des malwares Android est proposé, exploitant les représentations de caractéristiques apprises et les classificateurs traditionnels pour améliorer la précision de la détection, réduire l’ingénierie manuelle des fonctionnalités et contrer efficacement les menaces malveillantes en évolution.

Abstract

L’intelligence de sécurité des logiciels malveillants consiste à analyser les applications et leurs métadonnées afin d’identifier les menaces potentielles à la sécurité. Les appels d’interface de programmation d’applications (API) constituent une source précieuse d’informations pour détecter les logiciels malveillants. Réduire l’espace de fonctionnalités dans l’analyse des malwares améliore l’efficacité de l’identification des menaces. Cette recherche vise à identifier les fonctionnalités les plus significatives des appels API pour améliorer la précision de la détection des malwares Android. Trois techniques d’optimisation basées sur l’intelligence en essaim – l’optimisation des lucioles, l’optimisation de la recherche en coucou et l’optimisation des colonies de fourmis – sont employées parallèlement aux Auto-Encoders pour extraire les caractéristiques les plus significatives. Pour évaluer ces méthodes basées sur les enveloppes inspirées de la nature, des classificateurs d’apprentissage automatique populaires, notamment K-Nearest Neighbor (KNN), Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT) et Linear Regression (LR), sont utilisés. De plus, un classificateur neuronal artificiel hybride a démontré qu’il améliore les performances de la catégorisation des logiciels malveillants. L’efficacité de la méthode suggérée est démontrée par des résultats expérimentaux, qui montrent une précision de 98,87 % en utilisant seulement 7 fonctionnalités d’appels API sur 100.

Introduction

Le système d’exploitation mobile le plus populaire est Android, basé sur Linux et détenant une part de marché mondiale de 72,55^%. Contrairement à d’autres systèmes d’exploitation soumis à des lois strictes et aux droits d’auteur, Android est une plateforme open source qui accueille les contributions de développeurs du monde entier. Mais en raison de sa grande base d’utilisateurs, les attaques virales le ciblent fréquemment. Le terme malveillant désigne des logiciels malveillants destinés à compromettre le fonctionnement des systèmes informatiques ou à exploiter des informations privées. La méthode la plus coura....

Protocol

La méthode de sélection de caractéristiques basée sur des enveloppes utilisant des auto-encodeurs est utilisée dans l’architecture suggérée pour la détection de logiciels malveillants Android, comme montré à la Figure 1. Le jeu de données est divisé en sous-ensembles d’entraînement et de test 70:30. La classification et la sélection des caractéristiques sont les deux principales étapes du processus d’analyse des malwares.

Sélection des caractéristiques (FS) : Cette étape consiste à rechercher de manière itérative les meilleurs sous-ensembles de caractéristiques....

Results

Plusieurs indicateurs de performance, tels que l’erreur quadratique moyenne (MSE), l’erreur quadratique moyenne (RMSE), la précision, le rappel, le score F1 et la précision, sont utilisés dans le système de détection des malwares Android proposé pour évaluer la précision de la classification. Voici une définition de ces mesures.

Discussion

Les menaces de malwares Android augmentent, les adversaires employant des techniques d’évasion de plus en plus sophistiquées. Les systèmes et applications mobiles basés sur Android jouent un rôle crucial dans les villes intelligentes et les environnements industriels. Garantir la sécurité de ces systèmes, en particulier dans des domaines aussi critiques, nécessite des mécanismes robustes de détection des malwares. Récemment, la recherche sur la détection des malwares basée sur l’apprenti.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Anaconda Navigator	Anaconda, Inc.	Navigator-2023
Google Colab	Google LLC	N/A
Cahier Jupyter	Projet Jupyter	N/A
Python	Fondation Python Software	>=3,9
PyTorch	Recherche sur l’IA sur Facebook	>=2,0
Scikit-learn	Animé par la communauté	>=1.0
TensorFlow	Google Brain	>=2,8
Système d’exploitation Windows	Microsoft Corporation	11