Dergiler / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2021 / Cilt: 12 - Sayı: 2

AFWDroid: Android Kötücül Yazılım Tespitinde Derin Özellik Çıkarımı ve Ağırlıklandırma

AFWDroid: Deep Feature Extraction and Weighting for Android Malware Detection

Sayfa
237–245
Yayın Tarihi
2021-03-30
DOI
—
🏛️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)

Yapılan çalışmalar neticesinde, özellik seçimi ve ağırlıklandırma sayesinde daha iyi performans değerlerininin yakalandığı, ağırlığa duyarlı sınıflandırıcılarda daha rekabetçi sonuçların alınabildiği gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Android kötücül yazılım tespiti, yaygın kullanıma sahip bir işletim sistemi için çözülmesi gereken oldukça kritik ve önemli bir sorundur.
📊
Temel Bulgular & Veri:Dosya içerisinden aktiviteler, servisler, izinler gibi farklı özellikler çıkarılmış ve sınıflandırma için bu özellikler arasından seçim yapılmıştır.
💡
Sonuç & Katkı:Yapılan çalışmalar neticesinde, özellik seçimi ve ağırlıklandırma sayesinde daha iyi performans değerlerininin yakalandığı, ağırlığa duyarlı sınıflandırıcılarda daha rekabetçi sonuçların alınabildiği gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Özellik Ağırlıklandırma · Kötücül Yazılım Tespiti · Makine öğrenmesi

Özet

Android kötücül yazılım tespiti, yaygın kullanıma sahip bir işletim sistemi için çözülmesi gereken oldukça kritik ve önemli bir sorundur. Geleneksel makine öğrenme teknikleri önce uygulamalardan birtakım özellikler çıkarmakta ve ardından kötü ve iyi niyetli uygulamaları ayırt etmek üzere sınıflandırıcılar oluşturmaktadır. Günümüzde mevcut çalışmaların çoğunda elde edilen özelliklerin ağırlıklandırması göz ardı edilmektedir. Bu sorunların üstesinden gelmek için bu çalışmada, sınıflandırmada kullanılacak özellik vektörlerindeki verilerin ağırlıklandırmasına dayalı yeni bir yazılım algılama metodu önerilmiştir. Bu amaç doğrultusunda ilk olarak, Android uygulama paketinden manifest dosyası okunmuştur. Dosya içerisinden aktiviteler, servisler, izinler gibi farklı özellikler çıkarılmış ve sınıflandırma için bu özellikler arasından seçim yapılmıştır. Seçim sonucunda elde edilen parametreler, derin sinir ağı modeli ile optimize edilmiştir. Yapılan çalışmalar neticesinde, özellik seçimi ve ağırlıklandırma sayesinde daha iyi performans değerlerininin yakalandığı, ağırlığa duyarlı sınıflandırıcılarda daha rekabetçi sonuçların alınabildiği gösterilmiştir.

Abstract

Android malware detection is a critical and important problem that must be solved for a widely used operating system. Conventional machine learning techniques first extract some features from applications, then create classifiers to distinguish between malicious and benign applications. Most of the studies available today ignore the weighting of the obtained features. To overcome this problem, this study proposes a new software detection method based on weighting the data in feature vectors to be used in classification. To this end, firstly, the manifest file was read from the Android application package. Different features such as activities, services, permissions were extracted from the file, and for classification, a selection was made among these features. The parameters obtained as a result of selection were optimized by the deep neural network model. Studies revealed that through feature selection and weighting, better performance values could be achieved and more competitive results could be obtained in weight-sensitive classification.

🔖

Bu Makaleye Atıf Yap

ARSLAN, R. S., ÖLMEZ, E., ER, O. (2021). AFWDroid: Android Kötücül Yazılım Tespitinde Derin Özellik Çıkarımı ve Ağırlıklandırma. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 12 - Sayı: 2, 237–245. https://ajindex.com/articles/655859

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. S. Wang, Z. Chen, Q. Yan, K. Ji, L. Peng, B. Yang and M. Conti, “Deep and broad URL feature mining for android malware detection”, Information Sciences, 513, 600-613, 2020
  2. M. Amin, T. A. Tanveer, M. Tehseen, M. Khan, F. A. Khan and S. Anwar, “Static malware detection and attribution in android byte-code through and end to end deep system”, Future generation computer systems, 102, 112-126, 2020
  3. J. Clement, “statista.com,” [Online]. Available:
  4. F-Secure Team, “f-secure.com” [Online]. Available:
  5. J. Johnson, “statista.com,” [Online]. Available:
  6. R.S. Arslan, İ. A. Doğru and N. Barışçı, “Permission comparison based malware detection system for Android mobile applications”, Journal of Polytechnic, 20(1), 175-189, 2017
  7. A.T. Kabakuş and İ.A. Doğru, “An in-depth analysis of Android malware using hybrid techniques”, Digital Investigation, 24, 25-33, 2018
  8. İ. A. Doğru and Ö. Kiraz, “Web-based android malicious software detection and classification system”, Applied Sciences, 8(9), 1622- 1641, 2018
  9. M. Jerbi and Z. C. Dagdia, “On the use of artificial malicious patterns for android malware detection”, Computer & Security, 92, 1-22, 2020
  10. C. Willems, T. Holz and F. Freiling, “Toward autmated dynamic malware analysis using cwsandbox”, IEEE Security and Privacy Magazine, 5(2), 32-39, 2007
  11. K. Rieck, T. Holz, C. Willems and P. Düssel, “Learning and classification of malware behaviour”, Proceedings of the 5th International Conference on Detection of Instrusions and Malware, and Vulnerability Assessment, 1-20, 2008
  12. M. Wozniak, M. Grana and Emilio Corchado, “A survey of multip classifier systems as hybrid systems”, Information Fusion, 16(1), 3-17, 2014
  13. A. Mathur, L.M. Podila, K. Kurkarni, Q. Niyaz, A.Y. Javaid, “NATICUSdroid: A malware detection framework for Android using native and custom permissions”, Journal of Information Security and Applications, 58, 1-14, 2021
  14. S. K. Sasidharan, C. Thomas, “ProDroid – An Android malware detection framework based on profile hidden markov model”, Pervasive and Mobile Computing, 72, 1-16, 2021
  15. R. Feng, S. Chen, X. Xie, G. Meng, S.W. Lin ve Y. Liu, “A performance-sensitive malware detection system using deep l