Улучшение обнаружения вредоносного ПО на Android с помощью интеллекта роя и техники автоэнкодеров, применяемые к анализу вызовов API

Summary

Предлагается гибридный фреймворк обнаружения вредоносного ПО на Android, использующий изученные представления признаков и традиционные классификаторы для повышения точности обнаружения, сокращения ручной работы по разработке функций и эффективного противодействия эволюционным угрозам вредоносного ПО.

Abstract

Анализ безопасности вредоносного ПО включает анализ приложений и их метаданных для выявления потенциальных угроз безопасности. Вызовы интерфейса программирования приложений (API) служат ценным источником информации для обнаружения вредоносного ПО. Сокращение объёма функций при анализе вредоносного ПО повышает эффективность идентификации угроз. В данном исследовании направлено на выявление наиболее значимых функций вызовов API, которые повысят точность обнаружения вредоносного ПО на Android. Три метода оптимизации на основе интеллекта роя — Оптимизация Светлячками, Оптимизация поиска Кукушкой и Оптимизация Муравьиной Колонии — используются вместе с авто-кодерами для извлечения наиболее значимых функций. Для оценки этих методов, вдохновлённых природой, используются популярные классификаторы машинного обучения, такие как K-ближайший сосед (KNN), случайный лес (RF), поддерживающая векторная машина (SVM), дерево принятия решений (DT) и линейная регрессия (LR). Кроме того, гибридный искусственный нейронный классификатор способен улучшать производительность классификации вредоносных программ. Эффективность предлагаемого метода демонстрируется экспериментальными результатами, которые показывают точность 98,87% при использовании только 7 из 100 функций вызова API.

Introduction

Самая популярная мобильная операционная система — Android, основанная на Linux и имеющая^долю мирового рынка 72,55%. В отличие от других операционных систем, подчинённых строгим законам и авторским правам, Android — это платформа с открытым исходным кодом, которая принимает вклад разработчиков со всего мира. Но из-за большой базы пользователей вирусные атаки часто направлены на него. Вредоносное ПО — это термин для вредоносного ПО, предназначенного для компрометации работы компьютерных систем или использования личной информации. Самый распространённый способ проникновения вредоносного ПО в экосистему Android — э....

Protocol

Метод выбора признаков на основе обёртки с авто-кодировщиками используется в предлагаемой архитектуре обнаружения вредоносного ПО на Android, как показано на рисунке 1. Набор данных разделён на подмножества для обучения и тестирования в формате 70:30. Классификация и выбор признаков — два основных этапа в процессе анализа вредоносного ПО.

Выбор функций (FS): Этот этап заключается в итеративном поиске лучших подмножеств признаков (см. Определение 1) с использованием алгоритмов на основе интеллекта роя, в частности Cuckoo Search Optimization (CSO), Ant Lion Optim....

Results

В предлагаемой системе обнаружения вредоносного ПО на Android используются несколько показателей эффективности, таких как среднеквадратическая ошибка (MSE), корнёвая средняя квадрат ошибки (RMSE), точность, отзыв, оценка F1 и точность, которые используются в предлагаемой Android системе обнаружения вредоносного ПО. Ниже приведено определение этих показателей.

Discussion

Угрозы вредоносного ПО на Android растут, а противники применяют всё более сложные методы уклонения. Мобильные системы и приложения на базе Android играют ключевую роль в умных городах и промышленной среде. Обеспечение безопасности этих систем, особенно в таких критически важных областях, требует надёжных механизмов обнаружения вредоносного ПО. В последнее время исследования обнаружения вредоносного ПО на основе машинного обучения привлекли значительное^{внимание 18}.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Anaconda Navigator	Anaconda, Inc.	Навигатор-2023
Google Colab	Google LLC	Н/Д
Блокнот Jupyter	Проект Jupyter	Н/Д
Python	Фонд программного обеспечения Python	>=3,9
PyTorch	Facebook AI Research	>=2.0
Scikit-learn	Сообщество управляемое	>=1.0
TensorFlow	Google Brain	>=2,8
Операционная система Windows	Microsoft Corporation	11