Journals / Teknik Bilimler Dergisi / 2021 / Cilt: 11 - Sayı: 2

Android Zararlı Yazılımlarının Derin Öğrenme ile Kategorilerine ve Ailelerine Göre Sınıflandırılması

Pages
41–46
Publication Date
2021-07-26
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Kurulan model ile yapılan sınıflandırma sonucunda Android zararlı yazılımların kategorilerine göre sınıflandırmasında %85 doğruluk değerine, Android zararlı yazılımların ailelerine göre sınıflandırılmasında %62 doğruluk değerine erişilmiştir

📌 3 Key Takeaways

🎯
Objective & Hypothesis:En yaygın kullanılan mobil platform olan Android, mobil zararlı yazılımların da en büyük hedefi haline gelmiştir.
📊
Key Findings & Data:Bu çalışmada, ICInvesAndMal2019 Android zararlı yazılım veri setinin dinamik analiz yöntemi ile elde edilen özellikleri barındıran kısmı kullanılmıştır.
💡
Conclusion & Impact:Kurulan model ile yapılan sınıflandırma sonucunda Android zararlı yazılımların kategorilerine göre sınıflandırmasında %85 doğruluk değerine, Android zararlı yazılımların ailelerine göre sınıflandırılmasında %62 doğruluk değerine erişilmiştir
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Android zararlı yazılımları · Zararlı yazılım kategori · Zararlı yazılım aile

Özet

En yaygın kullanılan mobil platform olan Android, mobil zararlı yazılımların da en büyük hedefi haline gelmiştir. Günden güne de Android zararlı yazılım sayısı ve çeşidi artmaktadır. Bu durum göz önüne alındığında, kötü amaçlı yazılım kategorilerini ve ailelerini tespit etmek, zararlı yazılım analistlerinin işlerini kolaylaştıracaktır. Analistler, benzer davranışlar sergileyen zararlı yazılımları incelemek yerine motivasyonlarını yeni örnekleri incelemeye odaklayacaklardır. Bu çalışmada, ICInvesAndMal2019 Android zararlı yazılım veri setinin dinamik analiz yöntemi ile elde edilen özellikleri barındıran kısmı kullanılmıştır. Kullanılan veri seti ile Android zararlı yazılımları kategorilerine ve ailelerine göre sınıflandırılmıştır. Sınıflandırmada Derin Sinir Ağları (DSA) kullanılmıştır. Kurulan model ile yapılan sınıflandırma sonucunda Android zararlı yazılımların kategorilerine göre sınıflandırmasında %85 doğruluk değerine, Android zararlı yazılımların ailelerine göre sınıflandırılmasında %62 doğruluk değerine erişilmiştir

🔖

Cite This Article

TOKMAK, M. (2021). Android Zararlı Yazılımlarının Derin Öğrenme ile Kategorilerine ve Ailelerine Göre Sınıflandırılması. Teknik Bilimler Dergisi, Cilt: 11 - Sayı: 2, 41–46. https://ajindex.com/articles/805647

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Abuthawabeh, M. and Mahmoud, K. 2020. Enhanced Android Malware Detection and Family Classification, using Conversation-level Network Traffic Features. The International Arab Journal of Information Technology, 17, 4A, 607–614
  2. Alshahrani, H., Mansourt, H., Thorn, S., Alshehri, A., Alzahrani, A. and Fu, H. 2018. DDefender: Android application threat detection using static and dynamic analysis. 2018 IEEE International Conference on Consumer Electronics (ICCE), 1–6
  3. Alzaylaee, M.K., Yerima, S.Y. and Sezer, S. 2020. DL-Droid: Deep learning based android malware detection using real devices. Computers & Security, 89, 101663
  4. Anagnostopoulos, M., Kambourakis, G. and Gritzalis, S. 2016. New facets of mobile botnet: architecture and evaluation. International Journal of Information Security, 15, 5, 455–473
  5. Android Malware Dataset, 2021. https://www.unb.ca/cic/datasets/andmal2017.html (Erişim Tarihi: 10.4.2021)
  6. Arp, D., Spreitzenbarth, M., Hubner, M., Gascon, H., Rieck, K. and Siemens, C. 2014. Drebin: Effective and explainable detection of android malware in your pocket. Ndss, 23–26
  7. Bhatia, T. and Kaushal, R. 2017. Malware detection in android based on dynamic analysis. 2017 International Conference on Cyber Security And Protection Of Digital Services (Cyber Security), 1–6
  8. Cam, N.T., Pham, V.-H. and Nguyen, T. 2019. Detecting sensitive data leakage via inter-applications on Android using a hybrid analysis technique. Cluster Computing, 22, 1, 1055–1064
  9. Chakraborty, T., Pierazzi, F. and Subrahmanian, V.S. 2020. EC2: Ensemble Clustering and Classification for Predicting Android Malware Families. IEEE Transactions on Dependable and Secure Computing, 17, 2, 262–277
  10. De Lorenzo, A., Martinelli, F., Medvet, E., Mercaldo, F. and Santone, A. 2020. Visualizing the outcome of dynamic analysis of Android malware with VizMal. Journal of Information Security and Applications, 50, 102423
  11. Fang, Y., Gao, Y., Jing, F. and Zhang, L. 2020. Android Malware Familial Classification Based on DEX File Section Features. IEEE Access, 8, 10614–10627
  12. Feizollah, A., Anuar, N.B., Salleh, R., Suarez-Tangil, G. and Furnell, S. 2017. Androdialysis: Analysis of android intent effectiveness in malware detection. computers & security, 65, 121–134
  13. Google Play, 2021. https://www.android.com/play-protect/ (Erişim Tarihi: 10.4.2021)
  14. Hou, S., Saas, A., Chen, L. and Ye, Y. 2016. Deep4maldroid: A deep learning framework for android malware