Aprimorando a Detecção de Malware Android por Meio de Inteligência em Enxame e Técnicas de Autoencoder Aplicadas à Análise de Chamadas de API

Resumo

É proposto um framework híbrido de detecção de malware para Android, aproveitando representações de características aprendidas e classificadores tradicionais para aumentar a precisão da detecção, reduzir a engenharia manual de recursos e combater ameaças de malware em evolução de forma eficaz.

Resumo

A Inteligência de Segurança de Malware envolve a análise de aplicações e seus metadados para identificar potenciais ameaças à segurança. Chamadas de Interface de Programação de Aplicações (API) servem como uma fonte valiosa de informações para detectar malware. Reduzir o espaço de recursos na análise de malware aumenta a eficiência da identificação de ameaças. Esta pesquisa busca identificar os recursos mais significativos de chamadas de API para aprimorar a precisão da detecção de malware Android. Três técnicas de otimização baseadas em inteligência de enxame — Otimização Firefly, Otimização de Busca Cuco e Otimização em Colônia de Formigas — são empregadas junto com Auto-Codificadores para extrair as características mais significativas. Para avaliar esses métodos baseados em wrappers inspirados na natureza, classificadores populares de aprendizado de máquina, incluindo K-Nearest Neighbor (KNN), Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT) e Linear Regression (LR). Além disso, um classificador neural artificial híbrido demonstrou melhorar o desempenho da categorização de malware. A eficácia do método sugerido é demonstrada por resultados experimentais, que mostram uma precisão de 98,87% usando apenas 7 de 100 recursos de chamadas API.

Introdução

O sistema operacional móvel mais popular é o Android, que é baseado no Linux e possui uma participação global de mercado de 72,55^%. Em contraste com outros sistemas operacionais sujeitos a leis rigorosas e direitos autorais, o Android é uma plataforma de código aberto que recebe contribuições de desenvolvedores do mundo todo. Mas, devido à sua grande base de usuários, ataques de vírus o atacam frequentemente. Malware é o termo para software malicioso destinado a comprometer o funcionamento de sistemas de computador ou a aproveitar informações privadas. O método mais comum de infiltração de malware no ecossistem....

Protocolo

O método de seleção de características baseado em wrappers, usando auto-encoders, é usado na arquitetura sugerida para detecção de malware Android, conforme mostrado na Figura 1. O conjunto de dados é dividido em subconjuntos 70:30 de treinamento e teste. Classificação e seleção de características são as duas principais etapas no processo de análise de malware.

Seleção de recursos (FS): Esta etapa consiste em buscar iterativamente os melhores subconjuntos de características (veja Definição 1) usando algoritmos baseados em inteligência de enxame, notadamente Otimização de Busca Cuckoo (CSO), Oti....

Resultados

Vários indicadores de desempenho, como Erro Quadrático Médio (MSE), Erro Quadrático Médio Raiz (RMSE), Precisão, Recordação, Pontuação F1 e Precisão, são usados no sistema proposto de detecção de malware Android para avaliar a precisão da classificação. A seguir está uma definição dessas medidas.

Discussão

As ameaças de malware para Android estão aumentando, com adversários empregando técnicas de evasão cada vez mais sofisticadas. Sistemas e aplicativos móveis baseados em Android desempenham um papel crucial em cidades inteligentes e ambientes industriais. Garantir a segurança desses sistemas, especialmente em domínios tão críticos, exige mecanismos robustos de detecção de malware. Recentemente, pesquisas de detecção de malware baseadas em aprendizado de máquina ganharam atenção significat.......

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Anaconda Navigator	Anaconda, Inc.	Navegador-2023
Google Colab	Google LLC	N/A
Caderno Jupyter	Projeto Júpiter	N/A
Python	Fundação de Software Python	>=3,9
PyTorch	Pesquisa em IA do Facebook	>=2.0
Scikit-learn	Impulsionado pela Comunidade	>=1.0
TensorFlow	Google Brain	>=2,8
Sistema Operacional Windows	Microsoft Corporation	11