|
DOI: 10.14489/vkit.2026.10.pp.055-064
Хайдаров Э. Д.
ОБНАРУЖЕНИЕ ВРЕДОНОСНЫХ ПРОГРАММ ANDROID НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
(с. 55-64)
Аннотация. В связи с ростом числа вредоносных программ требуется разработка эффективных методов их обнаружения и классификации. Предложена двухэтапная модель для выявления и категоризации Android-вредоносных приложений на основе методов машинного обучения и инженерии признаков. На первом этапе реализуется бинарная классификация для определения принадлежности приложения к классу вредоносных или безопасных. На втором этапе выполняется многоклассовая классификация с разделением угроз на категории: adware, банковские трояны, SMS-вредоносные программы и riskware. Для снижения размерности признакового пространства применены методы χ2 и Select-from-Model (SFM), позволившие сократить количество признаков и повысить вычислительную эффективность моделей. Экспериментальная оценка показала, что алгоритм Random Forest обеспечивает точность 97,82 % при обнаружении вредоносных приложений и 96,09 % при их классификации по категориям. Полученные результаты подтверждают эффективность предложенного подхода и его применимость в системах мобильной безопасности, включая ресурсоограниченные среды.
Ключевые слова: Android-вредоносные программы; обнаружение вредоносного программного обеспечения; многоклассовая классификация; машинное обучение; Random Forest; мобильная безопасность.
Khaydarov E. D.
ANDROID MALWARE DETECTION BASED ON MACHINE LEARNING
(pp. 55-64)
Abstract. With the rapid growth of malicious software targeting mobile platforms, the development of efficient detection and classification methods has become a critical task in cybersecurity. This study proposes a two-stage machine learning framework for Android malware detection and categorization integrated with feature engineering techniques. In the first stage, binary classification is performed to distinguish malicious applications from benign ones. In the second stage, multi-class classification is applied to categorize detected malware into adware, banking trojans, SMS malware, and riskware. To reduce feature dimensionality and improve computational efficiency, χ²-based feature selection and Select-from-Model (SFM) techniques were employed, significantly reducing the number of features while preserving classification performance. Experimental evaluation demonstrated that the Random Forest classifier achieved 97.82% accuracy in malware detection and 96.09% in multi-class categorization. The results confirm the effectiveness and computational efficiency of the proposed approach, making it suitable for mobile security systems, including resource-constrained environments.
Keywords: Android malware; Malware detection; Multi-class classification; Machine learning; Random Forest; Mobile security.
Элшод Дилшод угли Хайдаров (Ташкентский университет информационных технологий имени Мухаммада ал-Хоразмий, Ташкент, Узбекистан) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
E. Khaydarov (Tashkent University of Information Technologies named after Muhammad al-Khwarizmi, Tashkent, Uzbekistan) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Cybersecurity Ventures: сайт. Киберпреступность будет обходиться миру в 8 трлн долларов в год в 2023 году // Cybercrime Magazine. Ноябрь 2022. URL: https://cybersecurityventures.com/cybercrime-to-cost-the-world-8-trillion-annually-in-2023/ (дата обращения: 17.12.2024).
2. Классификация Android-вредоносного ПО с использованием Gain Ratio и ансамблевых методов машинного обучения / D. B. Ansori, J.Slamet, M. Z. Ghufron et al. // International Journal of Safety and Security Engineering. 2024. Т. 14. С. 259–266.
3. Mahdavifar S., Alhadidi D., Ghorbani A. A. Эффективная гибридная классификация Android-вредоносного ПО с использованием псевдоразметки и стекового автоэнкодера // Journal of Network and Systems Management. 2022. Т. 30. С. 22.
4. Глубокий анализ Ground Truth современных Android-вредоносных программ / F. Wei, Y. Li, S. Roy et al. // Detection of Intrusions and Malware, and Vulnerability Assessment (DIMVA). Cham: Springer, 2017. Т. 10327. С. 252–276.
5. Mohaisen A., Alrawi O., Mohaisen M. AMAL: высокоточный поведенческий автоматизированный анализ и классификация вредоносного ПО // Computers & Security. 2015. Т. 52. С. 251–266.
6. Обнаружение Android-вредоносных программ на основе комплексных потоков / F. Shen, J. Del Vecchio, A. Mohaisen et al. // IEEE Transactions on Mobile Computing. 2018. Т. 18. С. 1231–1245.
7. Kang H., Jang J. W., Mohaisen A., Kim H. K. Обнаружение и классификация Android-вредоносного ПО: статический анализ с учетом информации о разработчике // International Journal of Distributed Sensor Networks. 2015. Т. 11. Art. 479174.
8. Обнаружение вредоносных Android-приложений по вызовам API и разрешениям на основе методов машинного обучения / S. E. D. Mohamed, M. Ashaf, A. Ehab et al. // Proceedings of the 2021 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC 2021). 26–27 May 2021. Cairo, Egypt. P. 223–228.
9. Aboshady D., Ghannam N., Elsayed E., Diab L. Подход к обнаружению вредоносного ПО на этапе проектирования мобильных приложений // Symmetry. 2022. Т. 14. Art. 839.
10. Wakhare A. A. Detection of Malicious Software on Android Platform using Deep Learning: dis. Dublin: National College of Ireland, 2021.
11. Al-Fawa’reh M., Saif A., Jafar M. T., Elhassan A. Обнаружение вредоносного ПО методом «съедания APK целиком» // Proceedings of the 15th International Conference for Internet Technology and Secured Transactions (ICITST 2020). 8–10 December 2020. London, UK.
12. Динамическая классификация категорий Android-вредоносного ПО на основе полу-контролируемого глубокого обучения / S. Mahdavifar, A. F. A. Kadir, R. Fatemi et al. // Proceedings of the 18th IEEE International Conference on Dependable, Autonomic, and Secure Computing (DASC). 17–22 August 2020. Calgary, Canada. P. 654–661.
13. Фреймворк обнаружения вредоносного ПО на основе семантической информации поведенческих признаков / Y. Zhang, S. Yang, L. Xu et al. // Applied Sciences. 2023. Т. 13. Art. 12528.
14. Обнаружение Android-вредоносных программ на основе поведенческих признаков с применением графовых сверточных сетей / Q. Xu, D. Zhao, S. Yang et al. // Electronics. 2023. Т. 12. Art. 4817.
15. Giannakas F., Kouliaridis V., Kambourakis G. Более пристальный взгляд на эффективность машинного обучения при обнаружении Android-вредоносного ПО // Information. 2022. Т. 14. Art. 2.
16. Karbab E.M.B., Debbabi M., Derhab A., Mouheb D. MalDozer: автоматическая система обнаружения Android-вредоносного ПО на основе глубокого обучения // Digital Investigation. 2018. Т. 24. S48–S59.
17. Abdul Kadir A. F., Stakhanova N., Ghorbani A. A. Android-ботнеты: что могут рассказать URL / Network and System Security. Cham: Springer, 2015. Т. 9408. С. 78–91.
18. Sun W., Du Q. Отбор спектральных полос в гиперспектральных данных: обзор // IEEE Geoscience and Remote Sensing Magazine. 2019. Т. 7. С. 118–139.
19. Al-Awadhi M., Deshmukh R. Улучшение обнаружения фальсификации меда: оптимальное уменьшение размерности подпространства длин волн в VIS-NIR спектроскопии отражения // IEEE Access. 2023. Т. 1. С. 144226–144243.
20. Singh D., Singh B. Исследование влияния нормализации данных на качество классификации // Applied Soft Computing. 2020. Т. 97. Art. 105524.
21. Shantal M., Othman Z., Bakar A. A. Новый подход к взвешиванию признаков на основе коэффициентов корреляции и Min–Max нормализации // Symmetry. 2023. Т. 15. Art. 2185.
22. Sriyanto S.B.S., Faizal A.M., Suryana N., Suhendra A. MiMaLo: усовершенствованный метод нормализации для обнаружения мобильного вредоносного ПО // International Journal of Modern Education and Computer Science. 2022. Т. 14. С. 24–33.
23. Rish I. Эмпирическое исследование классификатора наивного Байеса // Proceedings of the IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. Seattle, USA, 2001. С. 41–46.
24. Laaksonen J., Oja E. Классификация с обучаемым методом k ближайших соседей // Proceedings of the International Conference on Neural Networks (ICNN’96). Washington, DC, USA, 1996. С. 1480–1483.
25. de Ville B. Деревья решений // Wiley Interdisciplinary Reviews: Computational Statistics. 2013. Т. 5. С. 448–455.
26. Breiman L. Случайные леса // Machine Learning. 2001. Т. 45. С. 5–32.
27. Grandini M., Bagli E., Visani G. Метрики многоклассовой классификации: обзор // arXiv. 2020. arXiv:2008.05756.
1. Cybersecurity Ventures. (2022, November). Cybercrime will cost the world $8 trillion annually in 2023. Cybercrime Magazine. https://cybersecurityventures.com/cybercrime-to-cost-the-world-8-trillion-annually-in-2023/
2. Ansori, D. B., Slamet, J., Ghufron, M. Z., et al. (2024). Android malware classification using Gain Ratio and ensemble machine learning methods. International Journal of Safety and Security Engineering, 14, 259–266.
3. Mahdavifar, S., Alhadidi, D., & Ghorbani, A. A. (2022). Effective hybrid Android malware classification using pseudo-labeling and stacked autoencoder. Journal of Network and Systems Management, 30, Article 22.
4. Wei, F., Li, Y., Roy, S., et al. (2017). Deep ground truth analysis of current Android malware. In Detection of Intrusions and Malware, and Vulnerability Assessment (DIMVA) (Vol. 10327, pp. 252–276). Springer.
5. Mohaisen, A., Alrawi, O., & Mohaisen, M. (2015). AMAL: High-fidelity, behavior-based automated malware analysis and classification. Computers & Security, 52, 251–266.
6. Shen, F., Del Vecchio, J., Mohaisen, A., et al. (2018). Android malware detection based on complex flows. IEEE Transactions on Mobile Computing, 18, 1231–1245.
7. Kang, H., Jang, J. W., Mohaisen, A., & Kim, H. K. (2015). Android malware detection and classification: Static analysis with developer information. International Journal of Distributed Sensor Networks, 11, Article 479174.
8. Mohamed, S. E. D., Ashaf, M., Ehab, A., et al. (2021, May 26–27). Android malicious application detection using API calls and permissions based on machine learning methods. In Proceedings of the 2021 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC 2021) (pp. 223–228). Cairo, Egypt.
9. Aboshady, D., Ghannam, N., Elsayed, E., & Diab, L. (2022). A malware detection approach at the design stage of mobile applications. Symmetry, 14, Article 839.
10. Wakhare, A. A. (2021). Detection of malicious software on Android platform using deep learning [Doctoral dissertation, National College of Ireland]. Dublin.
11. Al-Fawa’reh, M., Saif, A., Jafar, M. T., & Elhassan, A. (2020, December 8–10). Malware detection by eating the APK whole. In Proceedings of the 15th International Conference for Internet Technology and Secured Transactions (ICITST 2020). London, UK.
12. Mahdavifar, S., Kadir, A. F. A., Fatemi, R., et al. (2020, August 17–22). Dynamic Android malware category classification using semi-supervised deep learning. In Proceedings of the 18th IEEE International Conference on Dependable, Autonomic, and Secure Computing (DASC) (pp. 654–661). Calgary, Canada.
13. Zhang, Y., Yang, S., Xu, L., et al. (2023). A malware detection framework based on semantic information of behavioral features. Applied Sciences, 13, Article 12528.
14. Xu, Q., Zhao, D., Yang, S., et al. (2023). Android malware detection based on behavioral features using graph convolutional networks. Electronics, 12, Article 4817.
15. Giannakas, F., Kouliaridis, V., & Kambourakis, G. (2022). A closer look at the effectiveness of machine learning in Android malware detection. Information, 14, Article 2.
16. Karbab, E. M. B., Debbabi, M., Derhab, A., & Mouheb, D. (2018). MalDozer: Automatic framework for Android malware detection using deep learning. Digital Investigation, 24, S48–S59.
17. Abdul Kadir, A. F., Stakhanova, N., & Ghorbani, A. A. (2015). Android botnets: What URLs can reveal. In Network and System Security (Vol. 9408, pp. 78–91). Springer.
18. Sun, W., & Du, Q. (2019). Hyperspectral band selection: A review. IEEE Geoscience and Remote Sensing Magazine, 7, 118–139.
19. Al-Awadhi, M., & Deshmukh, R. (2023). Improving honey adulteration detection: Optimal dimensionality reduction of wavelength subspace in VIS-NIR reflectance spectroscopy. IEEE Access, 11, 144226–144243.
20. Singh, D., & Singh, B. (2020). Investigating the impact of data normalization on classification performance. Applied Soft Computing, 97, Article 105524.
21. Shantal, M., Othman, Z., & Bakar, A. A. (2023). A novel feature weighting approach based on correlation coefficients and Min–Max normalization. Symmetry, 15, Article 2185.
22. Sriyanto, S. B. S., Faizal, A. M., Suryana, N., & Suhendra, A. (2022). MiMaLo: An improved normalization method for mobile malware detection. International Journal of Modern Education and Computer Science, 14, 24–33.
23. Rish, I. (2001). An empirical study of the naive Bayes classifier. In Proceedings of the IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence (pp. 41–46). Seattle, WA, USA.
24. Laaksonen, J., & Oja, E. (1996). Classification with learning k-nearest neighbors. In Proceedings of the International Conference on Neural Networks (ICNN’96) (pp. 1480–1483). Washington, DC, USA.
25. de Ville, B. (2013). Decision trees. Wiley Interdisciplinary Reviews: Computational Statistics, 5, 448–455.
26. Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32.
27. Grandini, M., Bagli, E., & Visani, G. (2020). Multi-class classification metrics: A survey. arXiv. https://arxiv.org/abs/2008.05756
|
Current Issue
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»