Eine vergleichende Analyse von Machine Learning-Algorithmen zur Erkennung von Android-Malware

Das immense Wachstum von Bedrohungen durch Android-Malware hat Cybersecurity-Forscher dazu veranlasst, effiziente Systeme zu entwickeln, die neue Android-Malware erkennen können. Trotz der akademischen und industriellen Versuche, eine robuste, zuverlässige und effiziente Lösung für Android zu etablieren, gilt die Klassifizierung von Malware als ein ungelöstes Problem mit vielen Herausforderungen. Dieses Papier beleuchtet die Leistung mehrerer Machine Learning-Algorithmen und analysiert deren Effizienz bei der Erkennung von Android-Malware. Darüber hinaus wird die Synthetic Minority Oversampling Technique (SMOTE) angewendet, die numerischen Merkmale werden normalisiert und PCA verwendet, um die maximale Genauigkeit zu erreichen. Außerdem entwickelt das Papier ein Light Gradient Boosting Model, um Android-Malware zu identifizieren und deren Familien in fünf Klassen zu klassifizieren: Adware, Banking Malware, SMS Malware, Mobile Riskware und Benign. Das Papier verwendet einen großen und aktuellen Datensatz, der aus 11.598 APK besteht, die aus mehreren Quellen gesammelt und vom Canadian Institute of Cybersecurity bereitgestellt wurden.