SaaS: سیستم تحلیل و آگاهی موقعیتی برای تشخیص تروجان های عظیم اندرویدی
ترجمه نشده

SaaS: سیستم تحلیل و آگاهی موقعیتی برای تشخیص تروجان های عظیم اندرویدی

عنوان فارسی مقاله: SaaS: سیستم تحلیل و آگاهی موقعیتی برای تشخیص تروجان های عظیم اندرویدی
عنوان انگلیسی مقاله: SaaS: A situational awareness and analysis system for massive android malware detection
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: مهندسی نرم افزار، امنیت اطلاعات
کلمات کلیدی فارسی: N-GRAM، یادگیری ماشین، هش فازی، GLCM، ابر
کلمات کلیدی انگلیسی: N-GRAM, Machine Learning, Fuzzy Hash, GLCM, Cloud
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals – JCR
شناسه دیجیتال (DOI):
دانشگاه: School of Computer Science, China University of Geosciences, Wuhan, PR China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 36
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E12024
فهرست انگلیسی مطالب


1. Introduction

2. Related work

3. Preliminaries

4. Proposed scheme — SaaS

5. Experiment and performance evaluation

6. Conclusion



نمونه متن انگلیسی مقاله


A large amount of mobile applications (Apps) are uploaded, distributed and updated in various Android markets, e.g., Google Play and Huawei AppGallery every day. One of the ongoing challenges is to detect malicious Apps (also known as malware) among those massive newcomers accurately and efficiently in the daily security management of Android App markets. Customers rely on those detection results in the selection of Apps upon downloading, and undetected malware may result in great damages. In this paper, we propose a cloud-based malware detection system called SaaS by leveraging and marrying multiple approaches from diverse domains such as natural language processing (n-gram), image processing (GLCM), cryptography (fuzzy hash), machine learning (random forest) and complex networks. We firstly extract n-gram features and GLCM features from an App’s smali code and DEX file, respectively. We next feed those features into training data set, to create a machine learning detect model. The model is further enhanced by fuzzy hash to detect whether inspected App is repackaged or not. Extensive experiments (involving 1495 samples) demonstrates that the detecting accuracy is more than 98.5%, and support a large-scale detecting and monitoring. Besides, our proposed system can be deployed as a service in clouds and customers can access cloud services on demand.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

SaaS: سیستم تحلیل و آگاهی موقعیتی برای تشخیص تروجان های عظیم اندرویدی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی