Migliorare il rilevamento del malware Android tramite Swarm Intelligence e tecniche di autoencoder applicate all'analisi delle chiamate API

Summary

È proposto un framework ibrido per il rilevamento malware per Android, che sfrutta rappresentazioni di caratteristiche apprese e classificatori tradizionali per migliorare la precisione del rilevamento, ridurre l'ingegneria manuale delle funzionalità e contrastare efficacemente le minacce malware in evoluzione.

Abstract

L'Intelligence di Sicurezza del Malware consiste nell'analisi delle applicazioni e dei loro metadati per identificare potenziali minacce alla sicurezza. Le chiamate API (Application Programming Interface) rappresentano una preziosa fonte di informazioni per rilevare malware. Ridurre lo spazio delle funzionalità nell'analisi del malware migliora l'efficienza nell'identificazione delle minacce. Questa ricerca mira a identificare le funzionalità più significative delle chiamate API per migliorare la precisione del rilevamento del malware Android. Tre tecniche di ottimizzazione basate sull'intelligenza degli sciami - Ottimizzazione Firefly, Ottimizzazione della Ricerca Cuckoo e Ottimizzazione delle Colonie di Forniche - sono impiegate insieme agli Auto-Encoder per estrarre le caratteristiche più significative. Per valutare questi metodi basati su wrapper ispirati alla natura, vengono utilizzati classificatori di apprendimento automatico popolari, tra cui K-Nearest Neighbor (KNN), Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT) e Linear Regression (LR). Inoltre, un classificatore neurale artificiale ibrido ha dimostrato di migliorare le prestazioni della categorizzazione dei malware. L'efficacia del metodo suggerito è dimostrata dai risultati sperimentali, che mostrano un'accuratezza del 98,87% utilizzando solo 7 delle 100 funzionalità delle chiamate API.

Introduction

Il sistema operativo mobile più popolare è Android, basato su Linux e con^{una quota} di mercato globale del 72,55%. A differenza di altri sistemi operativi soggetti a leggi e diritti d'autore rigorosi, Android è una piattaforma open-source che accoglie contributi da sviluppatori di tutto il mondo. Ma a causa della sua ampia base di utenti, gli attacchi virali lo colpiscono frequentemente. Malware è il termine per software malevolo inteso a compromettere il funzionamento dei sistemi informatici o a sfruttare informazioni private. Il metodo più comune di infiltrazione malware nell'ecosistema Android è tramite il do....

Protocol

Il metodo di selezione delle funzionalità basato su wrapper, utilizzando auto-encoder, è utilizzato nell'architettura suggerita per il rilevamento malware Android, come mostrato nella Figura 1. Il dataset è suddiviso in sottoinsiemi di addestramento e test 70:30. La classificazione e la selezione delle caratteristiche sono i due principali passaggi nel processo di analisi del malware.

Selezione delle caratteristiche (FS): Questo passaggio consiste nella ricerca iterativa dei migliori sottoinsiemi di caratteristiche (vedi Definizione 1) utilizzando algoritmi bas....

Results

Diversi indicatori di prestazione, come Errore Quadratico Medio (MSE), Errore Quadratico Medio Radice (RMSE), Precisione, Richiamo, Punteggio F1 e Accuratezza, sono utilizzati nel sistema di rilevamento malware proposto per Android per valutare l'accuratezza della classificazione. Di seguito è riportata una definizione di queste misure.

Discussion

Le minacce malware Android sono in aumento, con gli avversari che impiegano tecniche di evasione sempre più sofisticate. I sistemi e le applicazioni mobili basati su Android svolgono un ruolo cruciale nelle città intelligenti e negli ambienti industriali. Garantire la sicurezza di questi sistemi, in particolare in ambiti così critici, richiede meccanismi robusti di rilevamento malware. Recentemente, la ricerca sul rilevamento del malware basata sul machine learning ha attirato notevole a.......

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
Jupyter Notebook	Progetto Jupyter	N/A
Python	Python Software Foundation	>=3,9
PyTorch	Ricerca su Facebook AI	>=2.0
Scikit-learn	Guidati dalla comunità	>=1.0
TensorFlow	Google Brain	>=2,8
Sistema operativo Windows	Microsoft Corporation	11