دانلود ترجمه مقاله RanDroid :تشخیص بدافزار اندروید (آی تریپل ای 2018)

RanDroid:تشخیص بدافزار اندروید با استفاده از طبقه بندی کننده تصادفی یادگیری ماشین

RanDroid:Android Malware Detection Using Random Machine Learning Classifiers

چکیده

1 مقدمه

2 آثار پژوهشی مرتبط

3 بررسی اجمالی سیستم

4 آزمایش

5 ارزیابی و بحث

6 نتیجه‌گیری

چکیده

     محبوبیت فزآینده استفاده از گوشی‌های هوشمند اندرویدی باعث جلب توجه به توزیع برنامه‌های مخرب ساخته شده توسط مهاجمان گردید که لزوم به بکارگیری تکنیک‌های پیچیده شناسایی بدافزار را در پی داشت. تکنیک‌های مختلفی پیشنهاد شده‌اند که در آن‌ها از ویژگی‌های ایستا و یا پویای استخراجی از برنامه کاربردی اندروید برای شناسایی بدافزار استفاده می‌شود. استفاده از یادگیری ماشین با تکنیک‌های مختلف شناسایی بدافزار جهت کنترل هزینه های ثابت فرآیند به‌روز رسانی دستی متناسب شده ‌است. دسته بند‌های یادگیری ماشین در مدل‌سازی الگوهای بدافزار اندروید که مبتنی بر ویژگی های ایستا و رفتار پویای آن‌ها است، در ابعاد وسیعی مورد استفاده قرار می‌گیرند.

آثار پژوهشی مرتبط
     شناسایی بدافزار در دستگاه‌های تلفن همراه یکی از مباحث داغ حوزه امنیت سایبری به حساب می‌آید. تحلیل ایستا و پویا، تکنیک های ارائه شده در آثار پژوهشی هستند که در شناسایی بدافزار به کار گرفته می شوند. استفاده از تحلیل پویا برای شناسایی درست بدافزار از طریق نظارت بر رفتار و تحلیل ترافیک برنامه کاربردی در زمان اجرا در برنامه‌های DroidRanger [7]، AppsPlayGround [16] و CopperDroid [17] نشان ‌داده شده ‌است، اما این امر به استفاده از ابزارهای سنجشی دقیق نیاز دارد. ابزارهای کیرین (Kirin) [18]، استواوی (Stowaway) [19] و ریسک رنجر (RiskRanger) [20] از روش تحلیل ایستا برای شناسایی بدافزار استفاده کرده‌اند اما از لحاظ مهارت دستی و مشکلات به‌روز رسانی نقص دارند.

     پژوهشگران در آثار خود به طور گسترده از تکنیک‌های یادگیری ماشین برای ساخت الگوهای بدافزارهای اندروید براساس ویژگی‌های ایستا و رفتار پویای آن‌ها استفاده کردند تا بتوانند از دشواری طراحی دستی جلوگیری کنند، الگوی شناسایی بدافزارهای اندروید را بروزرسانی نموده و نمونه بدافزارهای اندروید را از برنامه کاربردی بی خطر با موفقیت تشخیص دهند. مجموعه داده های Drebin [4]،MobileSandBox [5]، DroidMat [6] و Li-Dai [۱۵]، تحلیل ایستا و یا پویا را برای استخراج ویژگی‌ها (مانند سطح دسترسی و تماس های رابط برنامه نویسی نرم افزار) از برنامه های کاربردی انجام می‌دهند و از تکنیک‌های یادگیری ماشین نیز برای دسته بندی بدافزارها استفاده می‌کنند.

     لی و همکارانش [15] روش مبتنی بر ماشین بردار پشتیبان را برای شناسایی بدافزارها در پلتفرم اندروید ارائه کردند. این روش برمبنای تحلیل ایستا قرار دارد و در آن از ترکیب سطح دسترسی پرمخاطره و تماس های آسیب‌ پذیر رابط برنامه نویسی نرم افزار به عنوان ویژگی برای آموزش الگوریتم ماشین بردار پشتیبان استفاده می شود.