Erkennung und Kategorisierung von Android-Malware basierend auf netzwerkspezifischen Merkmalen auf Gesprächsebene

Die Anzahl von Malware in der Android-Umgebung steigt. Infolgedessen stehen die herkömmlichen Erkennungsalgorithmen, die Methoden zur Signaturerkennung verwenden, vor Herausforderungen, mit der enormen Anzahl von Angriffen umzugehen. In diesem Zusammenhang wird ein auf Supervision basierendes Modell vorgestellt, das die Genauigkeit und die Tiefe des Erkennungs- und Kategorisierungsprozesses von Malware mithilfe eines Merkmals auf Gesprächsebene verbessern kann. Die Technik des ensemble learning wurde eingesetzt, um die nützlichsten Merkmale auszuwählen. Ein Vergleich zwischen den in dieser Studie bereitgestellten Methoden und den Ergebnissen anderer Studien, die dasselbe Datenset verwendeten, wird gegeben. Die Ergebnisse zeigen, dass der Extra-trees-Klassifikator den höchsten gewichteten Genauigkeitsprozentsatz unter den anderen Klassifikatoren mit 87,75 % bei der Malware-Erkennung und 79,97 % bei der Malware-Kategorisierung erreicht hat. Schließlich hat diese Studie eine signifikante Verbesserung der Kategorisierungsrate von Malware um 30,2 % für die Genauigkeit und 31,14 % für den Rückruf im Vergleich zu anderen Studien, die dasselbe Datenset verwendeten, erzielt.