Ulepszanie wykrywania złośliwego oprogramowania na Androidzie dzięki inteligencji rojowej i technikom autoenkodera zastosowanym do analizy wywołań API

Summary

Proponowany jest hybrydowy framework wykrywania złośliwego oprogramowania na Androida, wykorzystujący wyuczone reprezentacje funkcji oraz tradycyjne klasyfikatory do zwiększenia dokładności wykrywania, ograniczenia ręcznego inżynierowania funkcji oraz skutecznego przeciwdziałania ewoluującym zagrożeniom złośliwego oprogramowania.

Abstract

Inteligencja bezpieczeństwa malware polega na analizie aplikacji i ich metadanych w celu identyfikacji potencjalnych zagrożeń bezpieczeństwa. Wywołania interfejsu programowania aplikacji (API) stanowią cenne źródło informacji do wykrywania złośliwego oprogramowania. Zmniejszenie zakresu funkcji w analizie złośliwego oprogramowania zwiększa efektywność identyfikacji zagrożeń. Niniejsze badania mają na celu zidentyfikowanie najważniejszych funkcji wywołań API, które zwiększą precyzję wykrywania złośliwego oprogramowania na Androida. Trzy techniki optymalizacji oparte na inteligencji rojowej – optymalizacja świetlików, optymalizacja poszukiwań kukułek oraz optymalizacja kolonii mrówek – są stosowane wraz z auto-enkoderami do wyodrębniania najważniejszych cech. Aby ocenić te metody oparte na oklejkach inspirowanych naturą, stosuje się popularne klasyfikatory uczenia maszynowego, w tym K-Nearest Neighbour (KNN), Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT) oraz Linear Regression (LR). Ponadto hybrydowy sztuczny klasyfikator neuronowy wykazuje efekt poprawy wydajności kategoryzacji złośliwego oprogramowania. Skuteczność sugerowanej metody potwierdzają wyniki eksperymentalne, które pokazują dokładność 98,87% przy użyciu tylko 7 z 100 funkcji wywołań API.

Introduction

Najpopularniejszym systemem operacyjnym mobilnym jest Android, oparty na Linuksie, który^ma 72,55% globalnego udziału w rynku 1. W przeciwieństwie do innych systemów operacyjnych, które podlegają surowym przepisom i prawom autorskim, Android jest platformą open source, która chętnie przyjmuje deweloperów z całego świata. Jednak ze względu na dużą bazę użytkowników, ataki wirusów często go atakują. Malware to termin na złośliwe oprogramowanie mające na celu zakłócenie działania systemów komputerowych lub wykorzystanie prywatnych informacji. Najczęstszą metodą infiltracji złośliwego oprogramowania w ekosystemie Androida są pobieranie aplikacji. Ch....

Protocol

Metoda wyboru funkcji oparta na opakowaniu, wykorzystująca auto-enkodery, jest stosowana w sugerowanej architekturze wykrywania złośliwego oprogramowania na Androidzie, jak pokazano na Rysunku 1. Zbiór danych podzielony jest na podzbiory treningowe i testowe w formie 70:30. Klasyfikacja i wybór cech to dwa główne etapy procesu analizy malware.

Wybór funkcji (FS): Ten etap polega na iteracyjnym poszukiwaniu najlepszych podzbiorów cech (patrz Definicja 1) za pomocą algorytmów opartych na inteligencji rojowej, w szczególności Cuckoo Search Optimization (CSO), Ant Lion Optimization (ALO) oraz Firef....

Results

W proponowanym systemie wykrywania malware Android stosuje się kilka wskaźników wydajności, takich jak średni błąd kwadratowy (MSE), średni błąd kwadratowy korzeniowy (RMSE), precyzja, przypomnienie, wynik F1 oraz dokładność, które służą do oceny dokładności klasyfikacji. Poniżej przedstawiono definicję tych miar.

Discussion

Zagrożenia malware na Androida rosną, a przeciwnicy stosują coraz bardziej zaawansowane techniki unikania. Systemy i aplikacje mobilne oparte na Androidzie odgrywają kluczową rolę w inteligentnych miastach i środowiskach przemysłowych. Zapewnienie bezpieczeństwa tych systemów, szczególnie w tak krytycznych domenach, wymaga solidnych mechanizmów wykrywania złośliwego oprogramowania. Ostatnio badania nad wykrywaniem złośliwego oprogramowania oparte na uczeniu maszynowym zyskały znaczną uwagę¹⁸. Jedn.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Anaconda Navigator	Anaconda, Inc.	Navigator-2023
Google Colab	Google LLC	Nie ma
Jupyter Notebook	Projekt Jupyter	Nie ma
Python	Python Software Foundation	>=3,9
PyTorch	Badania nad AI na Facebooku	>=2,0
Scikit-learn	Inicjatywa społecznościowa	>=1,0
TensorFlow	Google Brain	>=2,8
System operacyjny Windows	Microsoft Corporation	11