Android Malware Detection using Machine Learning: Data-Driven Fingerprinting and Threat Intelligence: 86 (Advances in Information Security, 86)

نویسندگان یک چارچوب اثرانگشت بدافزار برای پوشش تشخیص دقیق بدافزار اندرویدی و اسناد خانوادگی در این کتاب ایجاد کرده‌اند. نویسندگان بر موارد زیر تأکید می کنند: (1) مقیاس پذیری بیش از یک مجموعه بدافزار بزرگ. (2) انعطاف پذیری در برابر تکنیک های رایج مبهم سازی؛ (3) قابلیت حمل بر روی پلتفرم‌ها و معماری‌های مختلف.

ابتدا، نویسندگان یک روش تقریبی انگشت نگاری را برای بسته‌بندی اندروید پیشنهاد می‌کنند که ساختار استاتیک زیربنایی برنامه‌های اندروید را نشان می‌دهد. در زمینه تشخیص انبوه و آفلاین در سطح بازار برنامه. این کتاب یک چارچوب خوشه‌بندی بدافزار را برای انجام خوشه‌بندی بدافزار با ایجاد و پارتیشن‌بندی شبکه شباهت برنامه‌های مخرب در بالای این تکنیک اثرانگشت پیشنهاد می‌کند. دوم، نویسندگان یک روش تقریبی اثرانگشت را پیشنهاد می‌کنند که از تحلیل پویا و تکنیک‌های پردازش زبان طبیعی برای تولید گزارش‌های رفتار بدافزار اندروید استفاده می‌کند. بر اساس این تکنیک انگشت نگاری، نویسندگان یک چارچوب تشخیص بدافزار قابل حمل با استفاده از طبقه بندی یادگیری ماشینی را پیشنهاد می کنند. سوم، نویسندگان یک چارچوب خودکار برای تولید اطلاعات در مورد زیرساخت‌های سایبری مخرب بدافزار اندروید طراحی می‌کنند. سپس نویسندگان از تکنیک‌های تجزیه و تحلیل نمودار برای تولید اطلاعات مرتبط برای شناسایی اثرات تهدید فعالیت اینترنتی مخرب مرتبط با بدافزار اندروید استفاده می‌کنند. سیستم تشخیص، در زمینه تشخیص آنلاین در سطح دستگاه تلفن همراه. این برای استقرار بر روی دستگاه های تلفن همراه، با استفاده از طبقه بندی یادگیری ماشین در توالی فراخوانی روش مناسب است. همچنین، با استفاده از تکنیک‌های پردازش زبان طبیعی و یادگیری عمیق، نسبت به تکنیک‌های رایج مبهم‌سازی کد انعطاف‌پذیر است و با سیستم‌های عامل و تغییرات بدافزار در اضافه‌وقت سازگار است.

محققان شاغل در موبایل. و امنیت شبکه، یادگیری ماشین و تشخیص الگو این کتاب را به عنوان مرجع مفید خواهند یافت. دانش‌آموزان سطح پیشرفته که در رشته‌های موضوعی علوم کامپیوتر مطالعه می‌کنند، این کتاب را نیز خریداری خواهند کرد.

The authors develop a malware fingerprinting framework to cover accurate android malware detection and family attribution in this book. The authors emphasize the following: (1) the scalability over a large malware corpus; (2) the resiliency to common obfuscation techniques; (3) the portability over different platforms and architectures.

First, the authors propose an approximate fingerprinting technique for android packaging that captures the underlying static structure of the android applications in the context of bulk and offline detection at the app-market level. This book proposes a malware clustering framework to perform malware clustering by building and partitioning the similarity network of malicious applications on top of this fingerprinting technique. Second, the authors propose an approximate fingerprinting technique that leverages dynamic analysis and natural language processing techniques to generate Android malware behavior reports. Based on this fingerprinting technique, the authors propose a portable malware detection framework employing machine learning classification. Third, the authors design an automatic framework to produce intelligence about the underlying malicious cyber-infrastructures of Android malware. The authors then leverage graph analysis techniques to generate relevant intelligence to identify the threat effects of malicious Internet activity associated with android malware.

The authors elaborate on an effective android malware detection system, in the online detection context at the mobile device level.  It is suitable for deployment on mobile devices, using machine learning classification on method call sequences. Also, it is resilient to common code obfuscation techniques and adaptive to operating systems and malware change overtime, using natural language processing and deep learning techniques.

Researchers working in mobile and network security, machine learning and pattern recognition will find this book useful as a reference. Advanced-level students studying computer science within these topic areas will purchase this book as well.