ترجمه مقاله امنیت موبایل اندروید با شناسایی و طبقه بندی بدافزار بر اساس مجوزها – نشریه IEEE
عنوان فارسی: | امنیت موبایل اندروید با شناسایی و طبقه بندی بدافزار بر اساس مجوزها با استفاده از الگوریتم های یادگیری ماشینی |
عنوان انگلیسی: | Android mobile security by detecting and classification of malware based on permissions using machine learning algorithms |
تعداد صفحات مقاله انگلیسی : 6 | تعداد صفحات ترجمه فارسی : 12 (1 صفحه رفرنس انگلیسی) |
سال انتشار : 2017 | نشریه : آی تریپل ای - IEEE |
فرمت مقاله انگلیسی : pdf و ورد تایپ شده با قابلیت ویرایش | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
نوع مقاله : ISI | نوع ارائه مقاله : کنفرانس |
وضعیت ترجمه : ترجمه شده و آماده دانلود | کد محصول : 12498 |
محتوای فایل : zip | حجم فایل : 1.81Mb |
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر - فناوری اطلاعات و ارتباطات - فناوری اطلاعات - امنیت اطلاعات - دیتا - سامانه های شبکه ای - مخابرات سیار - مهندسی الگوریتم ها و محاسبات |
مجله/کنفرانس: I-SMAC - International Conference on I-SMAC |
کلمات کلیدی: اندروید - مجوزها - شناسایی بدافزار - رده بندی کننده - الگوریتم های یادگیری ماشین |
کلمات کلیدی انگلیسی: Android - permissions - Malware detection - classification - machine learning algorithms |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
ضمیمه: ندارد ☓ |
بیس: نیست ☓ |
مدل مفهومی: ندارد ☓ |
پرسشنامه: ندارد ☓ |
متغیر: ندارد ☓ |
فرضیه: ندارد ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1109/I-SMAC.2017.8058358 |
چکیده
1. مقدمه
2. کارهای مربوطه
3. مجموعه داده ها
4. برنامه های اندروید و رویکرد مجوز آن
5. نتایج تجربی
6. نتیجه گیری و مسیر پژوهشی آینده
منابع
چکیده
اندروید، سهم عمدهای در بازار برنامههای تلفن همراه دارد. تلفنهای همراه اندروید تبدیل به هدف آسانی برای مهاجمین شدهاند. دلیل اصلی آن، بیتوجهی کاربر در فرایند نصب و استفاده از برنامهها است. بدافزارهای اندروید را میتوان بر اساس مجوزهایی که از کاربر درخواست میکند شناسایی کرد. الگوریتمهای یادگیری ماشین متعددی در تشخیص بدافزارهای اندروید بر اساس فهرست مجوزهای فعال شده برای هر برنامه مورد استفاده قرار میگیرند. این مقاله به مطالعه عملکرد برخی از الگوریتمهای یادگیری ماشین مانند نایوبیز، J48، جنگل تصادفی، ردهبندی چند-کلاسی، و پرسپترون چند-لایهای میپردازد. دادههای برنامه ۲۰۱۵ و ۲۰۱۶ گوگل پلی استور برای برنامههای نرمال استفاده میشوند و مجموعههای داده بدافزاری استاندارد در ارزیابی به کار میروند. مشاهده شده است که ردهبندی کننده چند-سطحی دارای عملکرد بهتری نسبت به سایر الگوریتمها در زمینه درستی ردهبندی است. ردهبندی نایوبیز تا جایی که به زمان مصرف مدل مربوط میشود عملکرد بهتری دارد.
کارهای مربوطه
شالتز و همکاران [۷]، اولین کسانی بودند که مفهوم تشخیص بدافزار در دادهکاوی را با استفاده از الگوریتم یادگیری ماشین نایو بیز ارائه دادند. آنها نتیجه ۱۱/۹۷ درصد را گزارش دادهاند. یکی از اولین کارها در زمینه تشخیص بدافزار اندروید با استفاده از برنامه، [۸، ۹] هستند که الگوریتمهای یادگیری ماشین برای ردهبندی برنامههای اندروید به منظور تشخیص بدافزارها را اجرا کردهاند. فرداوسی و همکاران [۱۰] از الگوریتم یادگیری ماشین درخت تصمیمگیری J48 برای شناسایی بدافزارها استفاده کردند. آنها نتیجه ۹۷ درصد را گزارش دادند. سباستین و همکاران [۱۱] با استفاده از ویژگیهای مختلف به عنوان مقاصد، ۰۲/۹۶ درصد را با الگوریتم یادگیری ماشین جنگل تصادفی گزارش دادند. دیوار آتش و IDS نیز نقش مهمی در امنیت دارند. وارما و همکاران [۱۲] از بهینهسازی متسعمره مورچه (ACO) برای شناسایی ناهنجاریهای در پیکربندی قانون آتش استفاده کردند. وارما و همکاران [۱۳] از مینیممسازی ویژگی فازی-ناهموار و جستجوی ACO در بهینهسازی انتخاب ویژگی برای سیستم تشخیص نفوذ (IDS) زمان-واقعی استفاده کردند. ثابت شده است که درختان تصمیم در مسائل ردهبندی امنیت شبکه بسیار کارامد هستند [۱۳]. سیدیکوی و همکاران [۱۴] از الگوریتم یادگیری ماشین جنگل تصادفی برای شناسایی بدافزار استفاده کردند. آنها نتیجه ۶/۹۶ درصد را گزارش دادند. اندرسون و همکاران [۱۵] از ماشین بردار پشتیبانی (SVM) برای تشخیص بدافزار استفاده کردند. آنها نتیجه ۰۷/۹۸ را گزارش دادند. برای شناسایی بدافزارها در دادههای برنامه اندروید نیاز به شناسایی کارامدترین تکنیک است. این مطالعه، چند الگوریتم یادگیری ماشین را مقایسه کرده و بهترین الگوریم را شناسایی میکند.
مجموعه دادهها
مجموعا ۳۲۵۸ برنامه اندروید جمعآوری شدند که در میان آنها ۲۹۹۹ مورد برنامه نرمال و ۱۹۹۹ برنامه بدافزار بودند. دادههای برنامه گوگل پلی استور ۲۰۱۵ و ۲۰۱۶ برای جمعآوری برنامههای نرمال [۱۶] و مجموعه دادههای بدافزار استاندارد [۱۷] برای ارزیابی مورد استفاده قرار گرفتند.