Eine neuartige Methode zur Erkennung von Malware auf Android-Mobilgeräten mit erklärbarer künstlicher Intelligenz

Die zunehmende Verbreitung von Malware, die Android-Mobilgeräte anvisiert, hat erhebliche Bedenken hinsichtlich der Privatsphäre und Sicherheit der Nutzer geweckt. In Reaktion darauf sind effektive Methoden zur Klassifizierung und Erkennung von Malware von entscheidender Bedeutung, um Nutzer vor schädlichen Anwendungen zu schützen. Dieses Papier präsentiert einen Ansatz, der Deep-Learning-Techniken und erklärbare künstliche Intelligenz (XAI) für die Klassifizierung und Erkennung von Android-Malware nutzt. Convolutional Neural Networks (CNNs) sind Deep-Learning-Modelle, die in mehreren Anwendungsbereichen, einschließlich der Bild- und Textklassifizierung, beeindruckende Leistungen gezeigt haben. Im Kontext von Android-Malware haben CNNs vielversprechende Ergebnisse bei der Erfassung komplizierter Muster und Merkmale, die in Malware-Proben vorhanden sind, gezeigt. Durch das Training dieser Modelle mit großen Datensätzen von harmlosen und schädlichen Anwendungen kann eine genaue Klassifizierung erreicht werden. Um Transparenz und Interpretierbarkeit zu erhöhen, werden XAI-Techniken in den Klassifizierungsprozess integriert. Diese Techniken geben Einblicke in den Entscheidungsprozess der Deep-Learning-Modelle und ermöglichen die Identifizierung kritischer Merkmale und Eigenschaften, die zu den Klassifizierungsergebnissen beitragen. Diese Forschung, die Deep-Learning- und XAI-Methoden kombiniert, präsentiert eine neue Strategie zur Identifizierung und Kategorisierung von Android-Malware. Diese Forschungsarbeit wird sich auf eine faszinierende auf CNN basierte Malware-Kategorisierungstechnik konzentrieren.