دوره 21، شماره 3 - ( 10-1403 )
جلد 21 شماره 3 صفحات 148-137 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghasemi M, horri A, basiri M E. Detecting Android malware with offloading approach in cloud computing. JSDP 2024; 21 (3) : 7
URL: http://jsdp.rcisp.ac.ir/article-1-1336-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1336-fa.html
قاسمی معصومه، حری عباس، بصیری محمداحسان. تشخیص بدافزارهای اندرویدی با رویکرد تخلیه بار در محاسبات ابری. پردازش علائم و داده‌ها. 1403; 21 (3) :137-148
استادیار مهندسی کامپیوتر، دانشکده فنی‌ومهندسی، دانشگاه شهرکرد، شهرکرد، ایران
چکیده: (366 مشاهده)
اندروید در سال‌های اخیر به‌عنوان محبوب‌ترین سیستم‌عامل گوشی‌های هوشمند و دستگاه‌های تلفن همراه ظاهر شده‌است؛ بااین‌حال، با توجه به خاصیت متن‌بازبودن این سیستم‌عامل، بدافزارهای زیادی در میان نرم‌افزارها در بازارهای اندروید پنهان شده‌اند که امنیت آن را با خطر جدی مواجه کرده‌است؛ لذا یافتن راه‌حل‌هایی برای تشخیص این بدافزارها از کارهای ضروری جهت جلوگیری از آلوده‌شدن تلفن همراه است؛ به‌این‌منظور، در این پژوهش، برای تشخیص بدافزارها استفاده روش تخلیه محاسباتی در ساختار محاسبات ابر پیشنهادشده‌‌است که این روش باعث می‌شود تشخیص بدافزارها در زمان معقول، با دقت بالا و با استفاده از منابع کمتر انجام شود. در روش پیشنهادی ویژگی‌های برنامه‌های اندروید را در هنگام نصب و زمان اجرا سمت تلفن همراه استخراج می‌کنیم و ویژگی‌های استخراج‌شده به سمت سرور ابر برای تجزیه و تحلیل ارسال می‌شود و با الگوریتم یادگیری ماشین بدافزارهای اندروید از برنامه‌های تمیز تشخیص داده می‌شوند. در این پژوهش، رویکرد پیشنهادی با استفاده از مجموعه‌داده Drebin آموزش و آزمایش شده‌است. نتایج به‌دست‌آمده، نشان می‌دهد که رویکرد پیشنهادی به‌دقت %44/96 برای شناسایی بدافزار دست‌یافت.
شماره‌ی مقاله: 7
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه امنیت اطلاعات
دریافت: 1401/6/6 | پذیرش: 1403/5/28 | انتشار: 1403/10/28 | انتشار الکترونیک: 1403/10/28
دریافت: 1401/6/6 | پذیرش: 1403/5/28 | انتشار: 1403/10/28 | انتشار الکترونیک: 1403/10/28
فهرست منابع
1. Number of Smartphone and Mobile Phone Users Worldwide in 2022/2023: Demographics, Statistics, Predictions. https:// financesonline.com/number-of-smartphone-users-worldwide/. Accessed: 2022-August-16.
2. Google Play: number of available apps by quarter 2022 - Statista. https://www.statista.com/statistics/289418/ number-of-available-apps-in-the-google-play-store-quarter. Accessed: 2022-August-16.
3. O. N. Elayan, A. M. Mustafa, "Android Malware Detection Using Deep Learning, " Procedia Computer Science., vol. 184, pp. 847-852. [DOI:10.1016/j.procs.2021.03.106]
4. M. K. Alzaylaee, S. Y. Yerima, and S. Sezer, "DL-Droid: Deep learning based android malware detection using real devices, " Computers & Security 89 (2020) 101663, vol. 89, February 2020. [DOI:10.1016/j.cose.2019.101663]
5. Z. Yuan, Y. Lu, Z. Wang, and Y. Xue, "Droid-Sec: Deep learning in android malware detection, " ACM SIGCOMM Computer Communication Review, vol. 44, pp. 371-372, August 2014. [DOI:10.1145/2740070.2631434]
6. S. Hou, A. Saas, L. Chen, and Y. Ye, "Deep4MalDroid: A deep learning framework for android malware detection based on Linux kernel system call graphs, " Proc. - 2016 IEEE/WIC/ACM Int. Conf. Web Intell. Work. WIW 2016, 2016, pp. 104-111. [DOI:10.1109/WIW.2016.040] []
7. M. Deypir, A. Horri, "Instance based security risk value estimation for Android applications, " Journal of Information Security and Applications, vol. 40, pp. 20-30, June 2018. [DOI:10.1016/j.jisa.2018.02.002]
8. K. Tam, S. J. Khan, A. Fattori, et al. "CopperDroid: Automatic Reconstruction of Android Malware Behaviors, " Systems Security Research Lab and Information Security Group Royal Holloway University of London, 2015, pp. 1-15. [DOI:10.14722/ndss.2015.23145]
9. M. Qiao, A. H. Sung, Q. Liu, "Merging Permission and API Features for Android Malware Detection, " 5th IIAI International Congress on Advanced Applied Informatics, DOI 10.1109/ IIAI-AAI.2016.237, 2016, pp. 566-571. [DOI:10.1109/IIAI-AAI.2016.237]
10. L. Wen, and H. Yu, "An Android Malware Detection System Based on Machine Learning, " AIP Conference Proceedings 1864, 020136-1-020136-7, 2017. [DOI:10.1063/1.4992953]
11. A. Pektas¸ and T. Acarman. "Deep learning for effective android malware detection using api call graph embeddings, " Soft Computing, vol. 24, pp. 1027-1043, January 2020. [DOI:10.1007/s00500-019-03940-5]
12. S.Y.Yerima, S. Sezer, and I. Muttik, "Android malware detection using parallel machine learning classifiers, " 8th International Conference on Next Generation Mobile Applications, Services and Technologies, 2024.
13. Z.Qin, Y. Xu, B. Liang, et al. "An Android malware static detection method, " Journal of Southeast University, vol, 43, pp. 1162-1167, 2013.
14. Y. Qiao, Y. Yang, J. He, et al, "CBM: Free, Automatic Malware Analysis Framework Using API Call Sequences, " Advances in Intelligent Systems and Computing 214, DOI: 10.1007/978-3-642-37832-4_21, Springer-Verlag Berlin Heidelberg, 2034, pp.225-236. [DOI:10.1007/978-3-642-37832-4_21]
15. G. He, B. Xu, L. Zhang, and H. Zhu, "On-Device Detection of Repackaged Android Malware via Traffic Clustering, " Security and Communication Networks, vol. 2020, pp. 1-19, May 2020. [DOI:10.1155/2020/8630748]
16. L. Xiao, Y. Li, X. Huangy, X. J. Du, "Cloud-based Malware Detection Game for Mobile Devices with Offloading, " IEEE Transactions on Mobile Computing, vol. 16, pp. 2742 - 2750, October 2017. [DOI:10.1109/TMC.2017.2687918]
17. A. Zulkifli, I. R. A. Hamid, W. M. Shah, and Z. Abdullah, "Android malware detection based on network traffic using decision tree algorithm, " in Proceedings of the International Conference on Soft Computing and Data Mining, Springer, Senai, Malaysia, January 2018 pp. 485-494,. [DOI:10.1007/978-3-319-72550-5_46]
18. V. Cardellini, V. De Nito Person'e, V. Di Valerio, et al, "A gametheoretic approach to computation offloading in mobile cloud computing, " Springer Mathematical Programming, vol. 157, pp. 421-449, June 2016. [DOI:10.1007/s10107-015-0881-6]
19. Y. Wang, X. Lin, and M. Pedram, "A Bayesian game formulation of power dissipation and response time minimization imobile cloud computing system, " in Proc. IEEE Int'l Conf. Mobile Services, pp. 7 - 14, June 2013.
20. F. Saeik, M. Avgeris, D. Spatharakis, N. Santi, D. Dechouniotis, J. Violos, A. Leivadeas, N. Athanasopoulos, N. Mitton, S. Papavassiliou, "Task Offloading in Edge and Cloud Computing: A Survey on Mathematical, Artificial Intelligence and Control Theory Solution, " Journal Pre-proof, May 2021 Computer Networks 195(3):108177., vol. 195, August 2021. [DOI:10.1016/j.comnet.2021.108177]
21. Deypir M. RiskMeter: "A Tool for Measuring Precise Security Risk Values of Mobile Device Applications, " Signal and Data Processing., vol. 14, pp. 23-36, December 2017. [DOI:10.29252/jsdp.14.3.23]
22. H. Li, et.al. "MalCertain: Enhancing Deep Neural Network Based Android Malware Detection by Tackling Prediction UncertaintyICSE," 24: Proceedings of the IEEE/ACM 46th International Conference on Software EngineeringMay, 2024. pp 1-13. [DOI:10.1145/3597503.3639122]
23. P.Irolla1, A. Dey, "The duplication issue within the Drebin dataset, " Journal of Computer Virology and Hacking Techniques., vol. 14, pp. 245-249, August 2018. [DOI:10.1007/s11416-018-0316-z]
24. D.Arp, M.Spreitzenbarth, M.Hubner, H.Gascon, K.Rieck, "DREBIN: Effective and Explainable Detection of Android Malware in Your Pocket, " Conference Network and Distributed System Security Symposium (NDSS), February 2014. [DOI:10.14722/ndss.2014.23247]
25. S. Garg, S. K. Peddoju, A. K. Sarje, "Network-based detection of Android malicious apps, " International Journal of Information Security., vol. 456, pp. 629-636, October 2021.
26. R. Jusoh, A. Firdaus, S. Anwar, et.al. "Malware detection using static analysis in Android: a review of FeCO (features, classification, and obfuscation), " PeerJ Comput. Sci.7 :e522, DOI 10.7717/peerj-cs.522, June 2021. [DOI:10.7717/peerj-cs.522] [PMID] []
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
