دانلود ترجمه مقاله تشخیص برنامه مخرب Android مبتنی بر مجوز (آی تریپل ای ۲۰۱۹)
این مقاله انگلیسی ISI در نشریه آی تریپل ای در سال ۲۰۱۹ منتشر شده که ۶ صفحه می باشد، ترجمه فارسی آن نیز ۱۵ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص برنامه مخرب Android مبتنی بر مجوز با استفاده از یادگیری ماشین |
عنوان انگلیسی مقاله: |
Permission based Android Malicious Application Detection using Machine Learning |
|
مشخصات مقاله انگلیسی | |
نشریه | آی تریپل ای – IEEE |
سال انتشار | ۲۰۱۹ |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | ۶ صفحه |
نوع مقاله | ISI |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر – فناوری اطلاعات و ارتباطات |
گرایش های مرتبط با این مقاله | مهندسی نرم افزار – امنیت اطلاعات – مخابرات سیار |
چاپ شده در مجله (ژورنال) | International Conference on Signal Processing and Communication |
کلمات کلیدی | یادگیری ماشین – اندروید – امنیت موبایل – تشخیص بدافزار – تجزیه و تحلیل ایستا – مجوزها |
کلمات کلیدی انگلیسی | Machine Learning – Android – Mobile Security – Malware Detection – Static Analysis – Permissions |
نویسندگان | Aditya Kapoor – Himanshu Kushwaha – Ekta Gandotra |
شناسه شاپا یا ISSN | ۲۶۴۳-۴۴۵۸ |
شناسه دیجیتال – doi | https://doi.org/10.1109/ICSC45622.2019.8938236 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۲۴۹۱ |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | ۱۵ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱- مقدمه ۲- پیشزمینه و کارهای مربوطه ۳- متدلوژی مورد استفاده ۴- نتایج تجربی ۵- نتیجهگیریها و امتیاز ویژگی منابع |
بخشی از ترجمه |
چکیده از زمان راهاندازی تلفنهای هوشمند، استفاده از آنها به صورت تصاعدی در حال افزایش است. این تلفنها تبدیل به بخش مهمی از زندگی ما شدهاند. زندگی روزمره ما بسیار وابسته به تلفنهای هوشمند است و ما از برنامههای مختلفی هم از فروشگاه بازی و هم از برنامههای شخص ثالث استفاده میکنیم. اغلب اوقات، برنامههای دانلود شده از برنامههای غیر رسمی تهدید کننده هستند زیرا کنترلها یا مکانیسمهای لازم برای تایید اعتبار این برنامهها وجود ندارند و ممکن است آلوده به بدافزار باشند. برنامههای آلوده شده توسط بدافزارها میتوانند منجر به نشت اطلاعات شخصی کاربر شوند. ابزارهای ضد ویروس از روشهای مبتنی بر امضا برای تشخیص بدافزارها استفاده میکنند اما پایگاههای داده آنها نیاز به بروزرسانیهای منظم دارند. در این مقاله، سیستمی را برای ردهبندی برنامههای اندروید بر اساس مکانیسمهای مورد استفاده توسط این برنامهها ارائه میدهیم. ما از شش الگوریتم یادگیری ماشین برای ردهبندی این برنامهها در برنامهّای بدخیم و خوشخیم استفاده کردیم. با مقایسه نتایج، کشف کردیم که الگوریتم رگرسیون لجستیک، بهترین ابزار برای مجموع دادههای ما است و دقت ۳۴/۹۹ درصد را فراهم میکند.
۲- پیشزمینه و کارهای مربوطه
بسیاری از رویکردهای تجزیه و تحلیل پویای مورد استفاده در [۱۱، ۱۲، ۱۳]، به طور پیوسته الگوی تماسهای سیستم را کنترل میکنند. سایر رویکردها مانند [۱۵، ۱۶]، رویکرد روشهای مبتنی بر امضای جهانی را اجرا کردهاند که قادر به مقایسه برنامه مورد بررسی با بسیاری از بدافزارهای شناخته شده یا سایر اکتشافات کردهاند. به تازگی محققان شروع به استفاده از دادهکاوی و یادگیری ماشین (ML) برای ردهبندی و تشخیص بدافزارها کردهاند [۱۷، ۱۸، ۱۹، ۲۰]. این روشها قادر به تشخیص بدافزار روز صفر هستند.
در [۱۲]، چارچوبی بر اساس ML با عنوان Crowdroid ارائه میشود که قادر به تشخیص بدافزارهای روی تلفنهای هوشمند اندروید بر اساس تماسهای سیستم و فرکانس آنها است. به طور مشابه، در [۲۱]، یک سیستم تشخیص نفوذ بر اساس یادگیری ماشین ارائه میشود. این سیستم به طور پیوسته رفتار کاربر و همچنین رفتار تلفن هوشمند را با مشاهده پارامترهای خاص، با دامنه از فعالیتهای حسگر تا استفاده از CPU، کنترل میکند. این مدل از ۸۸ ویژگی استفاده میکند که همراه باهم رفتارهای سیستم را در راستای ریشهیابی سیستم و استفاده خارجی از سیستم لینکوس توصیف میکنند. یک مدل خوشهبندی مبتنی بر یادگیری ماشین در [۲۲] استفاده شده است که تماسهای کارکردی ایستا از موانع را برای تشخیص ناهنجاریها تجزیه و تحلیل میکند. سیستم عامل Symbian از این نوع تکنیک استفاده کرده است. این چارچوب از یک مشتری، یعنی سیستم تشخیص ناهنجاری از راه دور ، استفاده میکند که قطعه را نظارت و متجسمسازی میکند. |