Verbetering van Android-malwaredetectie via Swarm Intelligence en Autoencodertechnieken toegepast op API-aanroepanalyse

Summary

Er wordt een hybride Android-malwaredetectieframework voorgesteld, waarbij geleerde feature-representaties en traditionele classifiers worden gebruikt om de detectienauwkeurigheid te verbeteren, handmatige feature engineering te verminderen en evoluerende malwaredreigingen effectief tegen te gaan.

Abstract

Malware Security Intelligence omvat het analyseren van applicaties en hun metadata om potentiële beveiligingsdreigingen te identificeren. Application Programming Interface (API)-aanroepen dienen als een waardevolle informatiebron voor het detecteren van malware. Het verkleinen van de feature-ruimte in malware-analyse verhoogt de efficiëntie van dreigingsidentificatie. Dit onderzoek streeft ernaar de belangrijkste API-aanroepfuncties te identificeren om de precisie van Android-malwaredetectie te verbeteren. Drie op zwermintelligentie gebaseerde optimalisatietechnieken – Firefly Optimization, Cuckoo Search Optimization en Ant Colony Optimization – worden naast Auto-Encoders gebruikt om de belangrijkste kenmerken te extraheren. Om deze op natuur geïnspireerde wrapper-gebaseerde methoden te evalueren, worden populaire machine learning-classifiers gebruikt, waaronder K-Nearest Neighbour (KNN), Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT) en Linear Regression (LR). Bovendien is aangetoond dat een hybride kunstmatige neurale classifier de prestaties van malwarecategorisatie verbetert. De effectiviteit van de voorgestelde methode wordt aangetoond door experimentele resultaten, die een nauwkeurigheid van 98,87% laten zien met slechts 7 van de 100 API-aanroepfuncties.

Introduction

Het populairste mobiele besturingssysteem is Android, dat gebaseerd is op Linux en een marktaandeel van 72,55% heeft¹. In tegenstelling tot andere besturingssystemen die onderworpen zijn aan strenge wetten en auteursrechten, is Android een open-source platform dat bijdragen van ontwikkelaars wereldwijd verwelkomt. Maar vanwege de grote gebruikersbasis wordt het vaak getarget door virusaanvallen. Malware is de term voor kwaadaardige software die bedoeld is om de werking van computersystemen te compromitteren of misbruik te maken van privéinformatie. De meest voorkomende methode van malware-infiltratie in het And....

Protocol

De op wrapper gebaseerde feature-selectiemethode met behulp van auto-encoders wordt gebruikt in de voorgestelde architectuur voor Android-malwaredetectie, zoals weergegeven in Figuur 1. De dataset is verdeeld in 70:30 trainings- en testsubsets. Classificatie en functieselectie zijn de twee belangrijkste stappen in het malware-analyseproces.

Functieselectie (FS): Deze stap is iteratief zoeken naar de beste feature-subsets (zie Definitie 1) met behulp van op zwermintelligentie gebaseerde algoritmen, met name Cuckoo Search Optimization (CSO), Ant Lion Optimization....

Results

Verschillende prestatie-indicatoren, zoals Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Precision, Recall, F1-Score en Accuracy, worden gebruikt in het voorgestelde Android-malwaredetectiesysteem om classificatienauwkeurigheid te beoordelen. Hieronder volgt een definitie van deze maten.

Discussion

De dreigingen van Android-malware nemen toe, waarbij tegenstanders steeds geavanceerdere ontwijkingstechnieken gebruiken. Android-gebaseerde mobiele systemen en applicaties spelen een cruciale rol in slimme steden en industriële omgevingen. Het waarborgen van de veiligheid van deze systemen, vooral in zulke kritieke domeinen, vereist robuuste mechanismen voor malwaredetectie. Onlangs heeft onderzoek naar malwaredetectie op basis van machine learning^{veel aandacht gekrege.......}

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	Project Jupyter	N/A
Python	Python Software Foundation	>=3.9
PyTorch	Facebook AI Research	>=2.0
Scikit-learn	Community Driven	>=1.0
TensorFlow	Google Brain	>=2.8
Windows Operating System	Microsoft Corporation	11