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.