استخراج و شناسایی بدافزار اندروید بر اساس مجوزها

Mining and Detection of Android Malware Based on Permissions

چکیده
1. مقدمه
2. آثار مرتبط
3. بررسی سیستم
4. طبقه بندی و ارزیابی
5. نتیجه گیری ها
منابع

چکیده
با توجه به توزیع باز اپلیکیشن و وجود بیش از 2 میلیارد کاربر فعال، پلتفرم اندروید کماکان به شکل خام توسط توسعه دهندگان بدافزار به کار گرفته می شود. با توجه به گزارش تهدیداتی McAfee، تعداد گروه های بدافزاری یافت شده در گوگل پلی در سال 2017 تا 30 درصد افزایش داشته است. یکی از مهمترین مکانیزم های محافظتی در برابر بدافزا مدل کنترل دسترسی مبتنی بر مجوز ر است. در این مقاله، مدل جدیدی را که مبتنی بر مجوز را ارائه می کنیم که از مزایای مدل می توان به کارایی و دقت بالا در تشخیص و آنالیز بدافزار اندروید اشاره نمود، همچنین قابلیت بالقوه در شناسایی بدافزار ناشناس قبلی را دارد. در این مدل، انتخاب مشخصه را با معرفی یک روش وزنی جدید به نام TF-IDFCF بهبود می بخشیم که مبتنی بر فرکانس کلاس مشخصه است. نتایج آزمایشات نشان می-دهد که روش ارائه شده دارای نرخ تشخیص بیش از 95.3% با نرخ مثبت کاذب پایین در زمان تست و بررسی با طبقه بندی کننده ها است.

2. آثار مرتبط
با استفاده از ویژگی های مربوط به مجوز تحقیقات زیادی در مورد طبقه بندی بدافزار اندروید انجام می شود. برخی از آثار مربوط به تشخیص بدافزار مبتنی بر مجوز اشاره می شود.

X. Lin و J.Lin چارچوبی را ارائه می کنند که هر دو مجوز درخواست شده و استفاده شده در اپلیکیشن های اندروید را در نظر می گیرد [4]. چارچوب دو تشخیص لایه بندی شده بدافزار است و تکنیک های یادگیری ماشین را به منظور رسیدن به دقت بالا استفاده می کند که این با پتانسیل تشخیص اپلیکیشن های بدافزار اندروید مبتنی بر مجوز همراه است. پ. روولی بهمراه وای ویگفاسن یک معماری ساده سرور- مشتری از سیستم تشخیص بدافزار مبتنی بر مجوز را ارائه می کنند که مجوزهای درخواست شده را چون نشانگرهای رفتاری می بیند [5]. سیستم دارای بخش های بررسی کننده مجوز جانب- مشتری و جانب- سرور است. بخش سمت – مشتری مجوزها را از اپلیکیشن های اندروید استخراج می کند و آنها را به بخش سمت- مشتری ارسال می کند. بخش جانب- مشتری اپلیکیشن ها را همچون بدافزار یا بی خطر طبقه بندی می کند. زد. آنگ و و. ژاو ماشین یادگیری مبتنی بر چارچوب را برای تشخیص اپلیکیشن های مخرب و بهبود امنیت در اندروید مبتنی بر کاربران دستگاهای تلفن همراه ارائه می کنند. این چارچوب مشخصات مختلف مبتنی بر مجوز استخراج شده از اپلیکیشن های اندروید را مونیتور می-کند و یادگیری ماشین را استفاده می کند تا اپلیکیشن ها را در دسته های مخرب و بی خطر طبقه بندی کند. سیستم بهره اطلاعاتی را بعنوان روش انتخاب مشخصه استفاده می کند. آنها مجوزهای بیشتری از اپلیکیشن های مختلف دانلود شده از نشانگرهای اندروید استخراج می کنند تا مدل را تولید کنند. زد. ژیائویان و اف. ژوان سیستم شناسایی بدافزار را ارائه می کنند که فعالیت اپلیکیشن دستگاه تلفن همراه را آنالیز می کند [7]. ویژگی ها استخراج شده روش آنالیز جزء اصلی را چون انتخاب مشخصه استفاده می کند و روش ماشین بردار پشتیبان به منظور آموزش و ساخت طبقه بندی کننده برای تشخیص بدافزار به کار گرفته می شود. با مشارکت کاربران دستگاه های تلفن همراه مبتنی بر اندروید، این چارچوب قادر به طبقه بندی کردن اپلیکیشن های اندروید در دسته های مخرب و بی خطر است. د. آرپ، ام. اشپریزنبارث، ام. هابنر، اچ. گاسکون، ک. ریک، و سی. سایمنز تاکید بر استفاده از روش تشخیص بدافزار اندروید دارند که قابلیت تشخیص اپلیکیشن های بدافزار در گوشی های هوشمند را اجرا می کند [8]. رویکرد از طریق جمع آوری تمامی ویژگی های احتمالی APK اندروید، آنالیز مربوط به استاتیک صفحه را انجام می دهد. این روش کل مشخصات را در فضای برداری مشترک جاسازی می کند و اپلیکیشن های مخرب را بطور خودکار شناسایی می کند. از مزیت های این رویکرد می توان به بهره وری زمان در آنالیز اپلیکیشن های ناشناخته اشاره کرد. روش را می توان بصورت مستقیم روی دستگاه های تلفن همراه استفاده کرد، و عمل محفاظت از راه-اندازی در برابر منابع غیرمطمئن اجرا می شود. عافر و همکاران مطالعه را از طریق آنالیز بدافزار برای استخراج مشخصات مربوط به بدافزار و رفتار انجام شده در سطح API انجام می دهند، آنها طبقه بندی کننده های یادگیری ماشین سبک- وزن و قدرتمند را با استفاده از مجموعه داده ها آموزش می دهند، داده ها از مجموعه ویژگی های بهره برداری شده حاصل می شود [9]. نتایج تجربی آنها به کمک طبقه بندی کننده KNN نشان از یک TPR با 99% و 2.2% است.

تشخیص بدافزار هوشمند قوی با استفاده از یادگیری عمیق

Robust Intelligent Malware Detection Using Deep Learning

چکیده

1. مقدمه

A. پیشینه تحقیق

B. نیاز برای تحقیق

C. سهم اصلی تحقیق

2. مدلهای طبقه بندی بدافزار

a. طبقه بندی بدافزار با استفاده از تحلیل استاتیک

b. طبقه بندی بدافزار با استفاده از تحلیل دینامیک

c. طبقه بندی بدافزار با استفاده از روشهای پردازش تصویر

3. معماری های یادگیری عمیق

A. شبکه عصبی عمیق (DNN)

B. شبکه عصبی کانولوشن (CNN)

C. ساختارهای بازگشتی

4. معماری پیاده سازی و اقدامات آماری

5. تشخیص بدافزار با استفاده از یادگیری عمیق براساس تحلیل استاتیک

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

6. تشخیص بدافزار با استفاده از یادگیری عمیق براساس تحلیل دینامیک

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

7. طبقه بندی خانواده بدافزار با استفاده از یادگیری عمیق براساس پردازش تصویر

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

C. DEEPIMAGEMALDETECT (DIMD

8. معماری پیشنهادی- SCALEMALNET

9. نتیجه گیری

منابع

چکیده

نقص های امنیتی که به علت حملات نرم افزاری مخرب (بد افزار) بوجود می آیند، نگرانی های امنیتی اصلی در عصر دیجیتال را افزایش می دهند. از آنجا که بسیاری از کاربران کامپیوتر، شرکت ها، و دولت ها، تحت تاثیر رشد چشمگیر حملات بدافزاری هستند، تشخیص بدافزار همچنان بعنوان یک موضوع تحقیقاتی داغ است. راه حل های فعلی تشخیص بدافزار که تحلیل پویا و استاتیک امضاهای مخرب و الگوهای رفتاری را در نظر می گیرند، زمان زیادی را صرف می کنند و ثابت شده که در شناسایی بدافزارهای ناشناخته در زمان واقعی، بی تاثیر هستند. بدافزارهای فعلی از پلی مورف ، متامورف ، و دیگر روش های اجتناب ناپذیر برای تغییر سریع رفتارهای بدافزار استفاده می کنند و تعداد زیادی بدافزار جدید ایجاد می کنند. چنین بدافزارهای جدیدی، عمدتا از انواع بدافزارهای موجود هستند، و الگوریتم های یادگیری ماشینی (MLA) برای انجام یک تحلیل بدافزاری موثر استفاده می شوند. با این حال، چنین روش هایی وقت گیر هستند، زیرا نیاز به مهندسی ویژگی وسیع ، یادگیری ویژگی، و نمایش ویژگی دارند. با استفاده از الگوریتم های یادگیری ماشینی (MLA) پیشرفته مانند یادگیری عمیق، می توان از فاز مهندسی ویژگی به صورت کامل اجتناب کرد. اخیرا مطالعات تحقیقاتی در این زمینه گزارش شده که عملکرد الگوریتم های آنها را با داده های آموزشی جانبدارانه نشان می دهد، که استفاده عملی از آنها را در موقعیت های زمان واقعی، محدود می کند. نیاز فوری برای کاهش تعصب و ارزیابی این روشها به صورت مستقل وجود دارد تا به یک روش جدید بهبود یافته برای تشخیص بدافزار موثر روز-صفر  دست یافت. برای پر کردن شکاف در ادبیات این موضوع، در ابتدا این مقاله، الگوریتم های یادگیری ماشینی (MLA) کلاسیک و معماری های یادگیری عمیق را برای تشخیص بدافزار، طبقه بندی، و طبقه بندی با استفاده از مجموعه داده های عمومی و خصوصی مختلف ارزیابی می کند. دوما، تمام گرایش های مجموعه داده حذف شده در این تحلیل تجربی را با تقسیم به مجموعه داده های عمومی و خصوصی، حذف می کنیم تا مدل را با استفاده از روشهای متناوب با استفاده از زمانبندی های مختلف آموزش دهیم و آزمایش کنیم. سوما، سهم اصلی ما در پیشنهاد یک روش پردازش تصویر جدید با پارامترهای بهینه برای MLAها و معماری های یادگیری عمیق، یک مدل موثر تشخیص بدافزار  صفر-روز  است. مطالعه تحقیقاتی جامع از مدل نشان می دهد که معماری های یادگیری عمیق پیشنهادی ، فراتر از الگوریتم های یادگیری ماشینی (MLA) کلاسیک هستند. نوظهوری در ترکیب معماری های تجسم و معماری های یادگیری عمیق برای روش ترکیبی استاتیک، دینامیک و مبتنی بر پردازش تصویر استفاده شده در یک محیط داده  بزرگ ، اولین نوع دستیابی به تشخیص هوشمند بدافزار روز-صفر استوار است. به طور کلی، این مقاله، روشی را برای تشخیص بصری موثر از بدافزار با استفاده از چارچوب یادگیری عمیق ترکیبی و مقیاس پذیر برای استقرارهای زمان-واقعی در اختیار قرار می دهد. 

IX. نتیجه گیری

این مقاله، الگوریتم های یادگیری ماشینی کلاسیک (MLAها) و معماری های یادگیری عمیق مبتنی بر تحلیل استاتیک ، روشهای پردازش تصویر و تحلیل دینامیک برای تشخیص بدافزار را مورد ارزیابی قرار داد و چارچوب به شدت مقیاس پذیر را با نام ScaleMalNet طراحی کرد تا بدافزارهای روز-صفر را تشخیص دهد، طبقه بندی و دسته بندی کند. این چارچوب از یادگیری عمیق در بدافزارهای جمع آوری شده از هاست های نهایی کاربر استفاده می کند و یک فرایند دو مرحله ای را برای تحلیل بدافزار دنبال می کند. در اولین مرحله، ترکیبی از تحلیل دینامیک و استاتیک برای طبقه بندی بدافزار استفاده می شود. در دومین مرحله، بدافزارها به دسته های بدافزار مربوطه با استفاده از روشهای پردازش تصویر، گروه بندی می شوند. تحلیل تجربی مختلف با استفاده از انواع مدلهای مختلف در هر دو مجموعه داده بنچمارک موجود عمومی و مجموعه داده جمع آوری شده خصوصی در این تحقیق، نشان داد که یادگیری عمیق مبتنی بر روش شناسی نسبت به الگوریتم های یادگیری ماشینی (MLA) کلاسیک بهتر اجرا می شود. چارچوب توسعه یافته قادر به تحلیل تعداد زیادی از بدافزارها در زمان واقعی می باشد، و برای تحلیل تعداد بیشتری از بدافزارها با پشته سازی  لایه های کمتری از معماری های موجود، مقیاس می شود. پژوهش های آینده نیازمند بررسی این تغییرات با ویژگی های جدید است که می تواند به داده های موجود اضافه شود. 

Abstract

Security breaches due to attacks by malicious software (malware) continue to escalate posing a major security concern in this digital age. With many computer users, corporations, and governments affected due to an exponential growth in malware attacks, malware detection continues to be a hot research topic. Current malware detection solutions that adopt the static and dynamic analysis of malware signatures and behavior patterns are time consuming and have proven to be ineffective in identifying unknown malwares in real-time. Recent malwares use polymorphic, metamorphic, and other evasive techniques to change the malware behaviors quickly and to generate a large number of new malwares. Such new malwares are predominantly variants of existing malwares, and machine learning algorithms (MLAs) are being employed recently to conduct an effective malware analysis. However, such approaches are time consuming as they require extensive feature engineering, feature learning, and feature representation. By using the advanced MLAs such as deep learning, the feature engineering phase can be completely avoided. Recently reported research studies in this direction show the performance of their algorithms with a biased training data, which limits their practical use in real-time situations. There is a compelling need to mitigate bias and evaluate these methods independently in order to arrive at a new enhanced method for effective zero-day malware detection. To fill the gap in the literature, this paper, first, evaluates the classical MLAs and deep learning architectures for malware detection, classification, and categorization using different public and private datasets. Second, we remove all the dataset bias removed in the experimental analysis by having different splits of the public and private datasets to train and test the model in a disjoint way using different timescales. Third, our major contribution is in proposing a novel image processing technique with optimal parameters for MLAs and deep learning architectures to arrive at an effective zero-day malware detection model. A comprehensive comparative study of our model demonstrates that our proposed deep learning architectures outperform classical MLAs. Our novelty in combining visualization and deep learning architectures for static, dynamic, and image processing-based hybrid approach applied in a big data environment is the first of its kind toward achieving robust intelligent zero-day malware detection. Overall, this paper paves way for an effective visual detection of malware using a scalable and hybrid deep learning framework for real-time deployments.

IX. CONCLUSION

This paper evaluated classical machine learning algorithms (MLAs) and deep learning architectures based on Static analysis, Dynamic analysis and image processing techniques for malware detection and designed a highly scalable framework called ScaleMalNet to detect, classify and categorize zero-day malwares. This framework applies deep learning on the collected malwares from end user hosts and follows a two-stage process for malware analysis. In the first stage, a hybrid of Static and Dynamic analysis was applied for malware classification. In the second stage, malwares were grouped into corresponding malware categories using image processing approaches. Various experimental analysis conducted by applying variations in the models on both the publically available benchmark datasets and privately collected datasets in this study indicated that deep learning based methodologies outperformed classical MLAs. The developed framework is capable of analyzing large number of malwares in real-time, and scaled out to analyze even larger number of malwares by stacking a few more layers to the existing architectures. Future research entails exploration of these variations with new features that could be added to the existing data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص بدافزار هوشمند قوی با استفاده از یادگیری عمیق

Robust Intelligent Malware Detection Using Deep Learning

بسط یک بدافزار K آرایه ای با تکنولوژی زنجیره بلوکی

Developing a K-ary malware using Blockchain

چکیده
1- مقدمه
2- تحلیل فنی
A- سرایت های (آلودگی های) رایانه ای
B- تکنیک های ضد ویروسی
C- تکنیک های ضد ویروسی
3- بد افزار k آرایه ای
A- تعریف بد افزار k- آرایه ای
B- پیچیدگی
C- پیاده سازی ها
4- توان بالقوه بلاک چین در یک بد افزار k آرایه ای
A- مرور کوتاهی بر بلاک چین
B- طراحی بد افزار
C- حمله
5- نتیجه گیری
منابع

چکیده

امروزه حملات سایبری به سرعت در حال افزایش هستند. این حملات سفارشی چند برداری و هدفمند هستند و در چندین مسیر قرار می گیرند. علاوه بر این، به نظر می رسد که روش های هک کردن زیرزمینی به شبکه های سیار، معماری ها پیشرفته و شهرهای هوشمند نیز رسیده است. با توجه به این هدف، بدافزار از نقاط ورود و اتصال مختلفی استفاده می کند. علاوه بر این، آن ها در حال توسعه تکنیک های متعددی به منظور سوء استفاده، پوشاندن (استتار) یا تحلیل مقاومت هستند. از طرف دیگر، حفاظت در برابر ویروس ها از رویکردهای نوآورانه در مقابل شاخص های مخرب و ناهنجاری ها و همچنین آشکارسازی مفروضات محدودیت های مکانیزم های ضد ویروس استفاده می کنند. این مقاله اساسا جدیدترین موضوعات در زمینه ویروس شناسی رایانه ای را بیان می کند و سپس مفهوم جدیدی را برای ایجاد بدافزار غیرقابل شناسایی مبتنی بر فناوری بلاک چین معرفی می کند. همچنین این مقاله تکنیک های پذیرفته شده توسط نرم افزار مخرب به منظور اجتناب از عملکردهای پیاده سازی شده برای شناسایی ویروس ها را به طور خلاصه معرفی می کند و پیاده سازی تکنیک های جدید ویروسی که به شبکه بلاک چین کمک می کنند را ارائه می کند.

5- نتیجه گیری

مطابق با ویرایشگرهای راهکارهای ضد ویروسی، آن ها توانایی شناسایی 99.9999 درصد از بد افزارهای شناخته شده و ناشناخته را دارند. با این حال، F. Cohen در سال 1996 اثبات کرد که شناسایی ویروس ها یک مساله غیرقابل تصمیم گیری است [17]. امروزه بسیاری از استراتژی های دفاعی به منظور کاهش سطح خطر پذیرفته شده اجرا می شوند. اساسا تحلیل ترافیک شبکه برای ایجاد یک معیار پایه برای جریان های معمولی شبکه و نمایان کردن های ناهنجاری ها مورد استفاده قرار می گیرد. همچنین مکانیزم های ردیابی و رصد کامل پکت ها برای مشاهده پذیر بهتر، گزارش دهی و بررسی شبکه اجرا می شوند. علاوه بر این، محموله و تحلیل رفتاری برای کشف بد افزارهای پیشرفته در نظر گرفته می شوند. همچنین روش های مهار نرم افزارها از طریق عوامل مسدودکردن برنامه های بالقوه تهاجمی در حامل ها و تفسیر فعالیت مخرب آن ها به کار گرفته می شوند. در نهایت بسیاری از عامل ها به منظور جمع آوری داده و نظارت بر نقاط انتهایی با استفاده از اطلاعات برای ارائه حفاظت موثر و واکنش به حادثه مورد استفاده قرار می گیرند. برای مقابله با آلودگی های رایانه ای، استفاده از چندین روش ترکیبی برای حذف نفوذهای بالقوه الزامی است. همچنین یکپارچگی راهکارها نیز در مدیریت، دیدگاه ها، پیوند فعالیت ها و پوشش امنیت از اهمیت بالایی برخوردار است. اگرچه این راهکارها اساسی هستند اما حوزه عملکرد ان ها محدود است. علاوه بر این، سودمندی شناسایی رفتاری و تمایل به دستیابی به احتمال کمتر همانند توافق ها و انتخاب های الگوریتم گونه می توانند ویژگی اصلی شناسایی را به طور کامل مهار کنند. اهرم اساسی، عامل انسانی و سیاست های امنیتی در محل است. براساس نظریه شمارش پذیری، برخی از مسائل قابل محاسبه نیستند و مساله شناسایی ویروسی یکی از مسائل غیرقابل تصمیم گیری است.

Abstract

Cyberattacks are nowadays moving rapidly. They are customized, multi-vector, staged in multiple flows and targeted. Moreover, new hacking playgrounds appeared to reach mobile network, modern architectures and smart cities. For that purpose, malware use different entry points and plug-ins. In addition, they are now deploying several techniques for obfuscation, camouflage and analysis resistance. On the other hand, antiviral protections are positioning innovative approaches exposing malicious indicators and anomalies, revealing assumptions of the limitations of the anti-antiviral mechanisms. Primarily, this paper exposes a state of art in computer virology and then introduces a new concept to create undetectable malware based on the blockchain technology. It summarizes techniques adopted by malicious software to avoid functionalities implemented for viral detection and presents the implementation of new viral techniques that leverage the blockchain network.

V- CONCLUSION

According to antiviral solutions editors, they are able to detect 99.9999 per cent of known and unknown malware. However, in 1986, F. Cohen proved that the detection of viruses is an undecidable problem [17]. Many defense strategies are deployed nowadays to reduce the level of accepted risk. Primary, network traffic analysis is used to create a baseline for ordinary network flows and spot anomalies. Also, full-packet capture mechanisms are deployed for better visibility, reporting and network forensics. Furthermore, payload and behavioral analysis in sandboxes are considered for advanced malware discovery. Moreover, application containment approaches are employed through agents to exclude potential offensive programs in containers and intercept their malicious activity. Finally, many agents are used for data collection and endpoints monitoring using intelligence to provide efficient protection and incident response. To fight against computer infections, several combination approaches are essentials to eliminate potential intrusions. Also, solutions integration is crucial for management, insight, activities linking and security coverage. Although these solutions are essentials, their scope of operation is limited. Furthermore, the usefulness of the behavioral detection and the will to obtain a lower probability as well as the compromises and algorithmic choices may completely inhibit the essential property of the detection. The fundamental lever is the human factor and the security policies in place. According to the theory of computability, some problems are not calculable and the problem of viral detection is one of the undecidable problems.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بسط یک بدافزار K آرایه ای با تکنولوژی زنجیره بلوکی

Developing a K-ary malware using Blockchain

آنالیز جامع بدافزار اندروید با استفاده از تکنیک های ترکیبی

An in-depth analysis of Android malware using hybrid techniques

چکیده
مقدمه
کارهای مرتبط
تحلیل ایستا
تحلیل پویا
مقدمات و روش کار
واکشی اپلیکیشن ها از Play Store
تحلیل ایستا
تحلیل پویا
نتایج و بحث
نتیجه گیری
منابع

چکیده

بد افزار سیستم عامل اندروید علی رغم تلاش های ارائه شده توسط شرکت گوگل به منظور جلوگیری از ورود آن به بازار رسمی اپلیکیشن یعنی Play Store، گسترده است. به طور متداول دو تکنیک با عناوین تحلیل ایستا (استاتیک) و پویا (دینامیک) برای شناسایی اپلیکیشن های مخرب در فضای اندروید مورد استفاده قرار می گیرد. هر دو این تکنیک ها دارای مزایا و معایب خود هستند. در این مقاله روش جدید تحلیل ترکیبی بد افزار اندروید به نام mad4a پیشنهاد می شود که از مزیت های هر دو تکنیک تحلیل ایستا و پویا استفاده می کند. هدف این مطالعه آشکارسازی برخی مشخصات ناشناخته بد افزار اندروید از طریق تکنیک های مختلف مورد استفاده است. به عنوان نتیجه ای از تحلیل ایستا و پویا بر روی دیتاست های مورد استفاده اپلیکیشن های پر استفاده اندروید، محققان حوزه دیجیتال از برخی مشخصات دست کم گرفته شده بد افزار اندروید آگاه می شوند.

مقدمه

گوشی های هوشمند زندگی افراد در دهه اخیر را به دلیل کارکردها و تحرک فراهم شده تغییر داده اند. اندوید منجر به بازار سیستم عامل سیار شده است که توسط بیش از 2 میلیارد دستگاه فعال به صورت ماهانه مورد استفاده قرار می گیرد (Burke, 2017; Popper, 2017). مطابق با گزارش اخیر موسسه IDC، اندروید نقش غالبی در بازر جهانی گوشی های هوشمند دارد چرا که حدود 85 درصد از تمامی گوشی های هوشمند در سرتاسر جهان از این سیستم عامل استفاده می کنند (IDC Smartphone OS Market Share, 2017). این انتظار وجود دارد که سهم بازار جهانی سیستم عامل اندروید در سال 2017 به میزان 90 درصد رشد داشته باشد (Bosnjak, 2017). به عنوان نتیجه ای از این محبوبیت، بازار رسمی اپلیکیشن ها یعنی Play Store برای نصب 82 میلیارد اپلیکیشن در سال 2016 مورد استفاده قرار گرفته است (Burke, 2017).

نتیجه گیری

تلفن های هوشمند هدف اصلی توسعه دهندگان بد افزارها هستند چرا که آن ها حاوی اطلاعات حساسی درباره کاربران همانند فهرست مخاطبان هسند که شامل شماره تلفن شخصی، جزئیات حساب کاربری افراد و گفتگوهای خصوصی کاربر است. براساس گزارش های ارائه شده، در حال حاضر سیستم عامل اندروید محبوب ترین سیستم عامل در جهان است. اپلیکیشن های اندروید از طریق بازار رسمی اپلیکیشن به نام Play Store توزیع می شوند. علی رغم این که شرکت گوگل برخی ابزارهای امنیتی را برای شناسایی اپلیکیشن های مخرب به کار می گیرد که در پایگاه Play Store در دسترس قرار دارد، اما گزارش شده است که این فروشگاه همچنان حاوی برخی اپلیکیشن های مخرب است. بنابراین روش جامع تری برای شناسایی اپلیکیشن های مخرب تر مورد نیاز است و در عین حال نبایستی شامل نمونه های منفی اشتباه باشد. بنابراین، در این مقاله روش ترکیبی تحلیل بد افزار اندروید به نام mad4a را پیشنهاد می دهیم. روش  mad4a هر دو تکنیک تحلیل ایستا و پویا را به منظور ارائه تحلیل جامع تر و پوشش دهی روش های شناسایی بد افزار بیشتر تا اندازه ممکن به کار می گیرد. دیتاست های پر استفاده که به صورت عمومی در دسترس قرار دارند، برای ارزیابی روش پیشنهادی مورد استفاده قرار می گیرند.

Abstract

Android malware is widespread despite the effort provided by Google in order to prevent it from the official application market, Play Store. Two techniques namely static and dynamic analysis are commonly used to detect malicious applications in Android ecosystem. Both of these techniques have their own advantages and disadvantages. In this paper, we propose a novel hybrid Android malware analysis approach namely mad4a which uses the advantages of both static and dynamic analysis techniques. The aim of this study is revealing some unknown characteristics of Android malware through the used various analysis techniques. As the result of static and dynamic analysis on the widely used Android application datasets, digital investigators are informed about some underestimated characteristics of Android malware.

Introduction

Smartphones have changed the life of people dramatically in the last decade thanks to the provided functionalities and mobility. Android leads the mobile operating system market by being used on over 2 billion monthly active devices (Burke, 2017; Popper, 2017). According to a recent report by IDC1 , Android dominates the global smartphone market with being used on 85% of smartphones in all around the world (IDC Smartphone OS Market Share, 2017). It is expected that Android’s global market share is expected to rise to 90% in 2017 (Bosnjak, 2017). As a result of this popularity, the official application market, Play Store, is used to install 82 billion applications in 2016 (Burke, 2017). It is reported that Play Store is growing at three times the rate of Apple’s App Store which is the official application market of iOS and the biggest official mobile application market after Play Store (Lookout, 2011). As a result of this popularity, Play Store attracts the attention of malware developers (Delac et al., 2011; Portokalidis et al., 2010; Wu et al., 2012; Zhou et al., 2012). Android malware has grown by 580% between September 2011 and September 2012 (Protalinski, 2012). According to a recent report by Check Point2 , the Android malware app “Judy” may have reached as many as 36.5 million users (The Judy Malware Possibly the largest malware campaign found on Google Play, 2017).

Conclusion

Smartphones are key targets of malware developers since they contain sensitive information about users such as contact lists which contain personal phone numbers, the details of user’s bank accounts, the location of the user, the notes of the user, the calendar of the user, and the private chats of the user. According to the reports, Android is currently the most popular mobile operating system in the world. Android applications are distributed through the official application market namely Play Store. Despite that Google utilizes some security tools to detect the malicious applications which are available in Play Store, it is reported that the store still contains some malicious applications. Hence, a more comprehensive approach is necessary to detect more malicious application while not including the false negative samples. Therefore, in this paper, we propose a hybrid Android malware analysis approach namely mad4a. mad4a utilizes both static and dynamic analysis techniques in order to provide more comprehensive analysis and cover more malware detection approaches as many as possible. The widely used datasets which are publicly available are used to evaluate the proposed approach.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

آنالیز جامع بدافزار اندروید با استفاده از تکنیک های ترکیبی

An in-depth analysis of Android malware using hybrid techniques

امنیت موبایل اندروید با شناسایی و طبقه بندی بدافزار بر اساس مجوزها با استفاده از الگوریتم های یادگیری ماشینی

Android mobile security by detecting and classification of malware based on permissions using machine learning algorithms

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.

2- 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.

3- 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.

A. بدافزارها
     هر نرم‌افزار یا برنامه با رفتار بد، بدون مجوز و غیر قانونی، بدافزار نامیده می‌شود. یک کاربر تلفن همراه به سختی می‌تواند مقاصد برنامه را بر اساس مجوزهای آن شناسایی کند. کاربران اغلب برنامه‌هایی را از منابع غیر مجاز نصب کرده و با مشکل مواجه می‌شوند. برنامه‌های بدافزار معمولا توسط مهاجمین به منظور سرقت اطلاعات اعتباری معاملات مالی، ایمیل‌ها، اطلاعات شبکه اجتماعی، اطلاعات کلیدی، تصاویر دوربین، اطلاعات سیستم فایل محلی، و غیره برنامه‌نویسی می‌شوند [۱۸]. بنابراین، نیاز به یک برنامه امنیتی تلفن همراه است که بتواند برنامه‌های بدخیم را توسط مجوزهای درخواستی آن‌ها شناسایی کند.

مال نت های مضر تلفن همراه – بدترین های هر دو جهان

Mobile Evil Twin Malnets – The Worst of Both Worlds

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بدترین شبکه‌های بدافزاری (malnet) مضر موبایل

Mobile Evil Twin Malnets – The Worst of Both Worlds

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.