Permissions-Based Detection of Android Malware Using Machine Learning

doi:10.3390/sym14040718

Permissions-Based Detection of Android Malware Using Machine Learning

2022-04-02

0

OA

AI

DOI：10.3390/sym14040718

原文链接

原文求助

摘要

En 中文

针对移动设备的恶意软件应用程序（Apps）广泛存在，并威胁到设备上存储的敏感和私人信息。这归因于良性应用程序中信息性权限与无关和冗余权限之间的不对称性。此外，这也取决于Android平台的特点，例如采用开源政策、支持非官方应用商店以及对应用验证的高容忍度；因此，Android平台注定要面临此类恶意入侵。在本文中，我们提出了一种基于权限的恶意软件检测系统（PerDRaML），该系统根据可疑权限的使用情况来确定应用程序的恶意程度。该系统采用多级方法；我们首先从手动收集的10,000个应用程序数据集中提取并识别出重要特征，如权限、smali大小和权限率。进一步，我们采用各种机器学习模型将应用程序分类为恶意或良性类别。通过大量实验，所提出的方法成功识别出5×最显著的特征以预测恶意应用程序。所提出的方法通过实现高精度的恶意软件检测技术，优于现有技术，即使用支持向量机达到89.7%，使用随机森林达到89.96%，使用旋转森林达到86.25%，以及使用朴素贝叶斯模型达到89.52%。此外，与近期方法相比，所提出的方法优化了约77%的特征集，同时提高了评估指标，如精确度、敏感性、准确性和F度量。实验结果表明，所提出的系统在无关权限和恶意应用程序之间提供了高度对称性。此外，所提出的系统具有前景，可能为检测恶意或重新打包的应用程序提供低成本替代方案。

Permissions-Based Detection of Android Malware Using Machine Learning

摘要

期刊

机构

引用论文