KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2017 / Cilt: 32 Sayı: 4

Android kötücül yazılımlar için izin tabanlı tespit sistemi

Anıl Utku0000-0002-7240-8713
İbrahim Alper Doğru0000-0001-9324-7157
Sayfa
1015–1024
Yayın Tarihi
2017-12-08
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Analiz sonuçları Naive Bayes sınıflandırıcısının %97,29 oranında kötücül yazılım tespitinde başarılı olduğunu, Knn sınıflandırıcısının ise %97,74 oranında kötücül yazılım tespitinde başarılı olduğunu göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde mobil cihazların kullanım alanlarında ve işlevselliklerinde büyük bir artış yaşanmaktadır.
📊
Temel Bulgular & Veri:Mobil cihazlar kullanıcıların kişisel bilgilerini sakladıkları platformlar haline gelmişlerdir.
💡
Sonuç & Katkı:Analiz sonuçları Naive Bayes sınıflandırıcısının %97,29 oranında kötücül yazılım tespitinde başarılı olduğunu, Knn sınıflandırıcısının ise %97,74 oranında kötücül yazılım tespitinde başarılı olduğunu göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Mobil kötücül yazılım · kötücül yazılım tespit teknikleri · mobil güvenlik

Özet

Günümüzde mobil cihazların kullanım alanlarında ve işlevselliklerinde büyük bir artış yaşanmaktadır. Mobil cihazlar kullanıcıların kişisel bilgilerini sakladıkları platformlar haline gelmişlerdir. Bu gibi özelliklerinden dolayı mobil cihazlar saldırganların hedefi konumuna gelmiştir. Bu çalışmada, Naive Bayes ve KNN algoritmaları kullanılarak izin tabanlı bir kötücül yazılım tespit sistemi geliştirilmiştir. Geliştirilen sistemin test sonuçları her bir algoritma için analiz edilerek karşılaştırılmıştır. Analiz sonuçları Naive Bayes sınıflandırıcısının %97,29 oranında kötücül yazılım tespitinde başarılı olduğunu, Knn sınıflandırıcısının ise %97,74 oranında kötücül yazılım tespitinde başarılı olduğunu göstermiştir.

🔖

Bu Makaleye Atıf Yap

Utku, A., Doğru, İ. A. (2017). Android kötücül yazılımlar için izin tabanlı tespit sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 32 Sayı: 4, 1015–1024. https://doi.org/10.17341/gazimmfd.368788

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. He D., Chan S., Guizani M., Mobile application security: malware threats and defenses, Wireless Communications, 22 (1), 138-144, 2015.
  2. Tekerek A., Gemci C., Bay Ö.F., Design and implementation of a web-based intrusion prevention system: a new hybrid model, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (3), 645-653, 2016.
  3. Wang X., Yang Y., Zeng Y., Tang C., Shi J., Xu K., A Novel Hybrid Mobile Malware Detection System Integrating Anomaly Detection With Misuse Detection, In Proceedings of the 6th International Workshop on Mobile Cloud Computing and Services, 15-22, 2015.
  4. Kabakuş A.T., Doğru İ.A., Çetin A., Android kötücül yazılım tespit ve koruma sistemleri, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 31 (1), 9-16, 2015.
  5. Talha K.A., Alper D.I., Aydin C., APK Auditor: Permission-based Android malware detection system, Digital Investigation, 13, 1-14, 2015.
  6. Burguera I., Zurutuza U., Nadjm-Tehranı S., Crowdroid: behavior-based malware detection system for android, Proceedings of the 1st ACM workshop on Security and privacy in smartphones and mobile devices, 15-26, 2011.
  7. Shabtai A., Kanonov U., Elovici Y., Glezer C., Weiss Y., Andromaly: A behavioral malware detection framework for android devices, Journal of Intelligent Information Systems, 38 (1), 161-190, 2012.
  8. Wu D.J., Mao C.H., Wei T.E., Lee H.M., Wu K.P., Droidmat: Android malware detection through manifest and api calls tracing, Information Security (Asia JCIS), 2012 Seventh Asia Joint Conference, 62-69, 2012.
  9. Arp D., Spreitzenbarth M., Hübner M., Gascon H., Rieck K., Drebin: Effective and explainable detection of android malware in your pocket, Proceedings of the Annual Symposium on Network and Distributed System Security (NDSS), 2014.
  10. La Polla M., Martinelli F., Sgandurra D., A survey on security for mobile devices, Communications Surveys & Tutorials IEEE, 15 (1), 446-471, 2013.
  11. Dua L., Bansal D., Taxonomy: Mobile Malware Threats and Detection Techniques, Computer Science & Information Technology (CS & IT), 213-221, 2014.
  12. Wang X., Yang Y., Zeng,Y., Accurate mobile malware detection and classification in the cloud, SpringerPlus, 2015.
  13. Shen Y.C., Chien R., Hung S.H., Toward Efficient Dynamic Analysis and Testing for Android Malware, IT CoNvergence PRActice (INPRA), 2 (3), 14-23, 2014.
  14. Tchakount´e F., Permission-based Malware Detection Mechanisms on Android: Analysis and Perspectives, Journal of Computer Science and Sofware Application, 1 (2), 63-77, 2014.
  15. Aung, Z., Zaw W., Permission-Based Android Malware Detection, International Journal Of Scientific & Technology Research, 2 (3), 228-234, 2013.
  16. Ren J., Lee S.D., Chen X., Kao B., Cheng R., Cheung D., Naive bayes classification of uncertain data, Ninth IEEE International Conference on Data Mining, 944-949, 2009.
  17. Dragomir E.G., Air quality index prediction using K-nearest neighbor technique, Bulletin of PG University of Ploiesti, Series Mathematics, Informatics, Physics, LXII, 1, 2010.