Detecção de android botnet baseada na relevância de permissões e filtros de intenção
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Outros Autores: | |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFAM |
Texto Completo: | https://tede.ufam.edu.br/handle/tede/9273 |
Resumo: | O grande número de dispositivos Android e a disponibilidade de dados sensíveis tornaram os smartphones um novo ambiente para propagação de atividades maliciosas. Como os smartphones tendem a ficar online por longos períodos, eles fornecem uma plataforma ideal para operar botnets, também conhecidas como Android botnets. Por essa razão, pesquisas recentes têm direcionado seus esforços em soluções de detecção de Android botnets baseadas em informações presentes nos aplicativos. Entretanto, a falta de entendimento do comportamento e especificidades dos malwares presentes em botnets para dispositivos móveis dificultam o projeto de soluções para mitigar esse problema. Para tornar os sistemas de detecção de botnets mais eficientes, discriminar as características que descrevem aplicativos benignos e maliciosos é uma questão crítica e fundamental para o desenvolvimento de contramedidas. Neste contexto, este trabalho descreve um método de detecção de Android botnet baseado em dados extraídos de aplicativos Android utilizando quantificadores de recuperação da informação para definir as características mais relevantes e, como resultado, proporcionar maior eficácia de detecção de Android botnet por meio de algoritmos de aprendizado de máquina. O método proposto reduz a dimensionalidade do espaço de características usando uma medida de ponderação baseada no TF-IDF (Term Frequency-Inverse Document Frequency) para identificar as características mais relevantes em cada amostra por meio dos conjuntos de permissões solicitadas ao usuário e das ações executadas pelos componentes da aplicação. Experimentos realizados com 2.997 amostras reais de aplicativos (benignos e maliciosos) mostram que o método proposto melhora, em todos os cenários avaliados, a eficácia de modelos de aprendizagem no processo de classificação de Android botnets. |
id |
UFAM_de11efb3f0032a424840762ad328f134 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/9273 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Detecção de android botnet baseada na relevância de permissões e filtros de intençãoComputação móvel - ProgramaçãoAndroid (Recurso eletrônico) - Medidas de segurançaSmartphones - ProgramaçãoCIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: SISTEMAS DE INFORMACAOAndroidBotnetAndroid botnetsDispositivos móveisClassificaçãoMalwaresDetecção de malwareO grande número de dispositivos Android e a disponibilidade de dados sensíveis tornaram os smartphones um novo ambiente para propagação de atividades maliciosas. Como os smartphones tendem a ficar online por longos períodos, eles fornecem uma plataforma ideal para operar botnets, também conhecidas como Android botnets. Por essa razão, pesquisas recentes têm direcionado seus esforços em soluções de detecção de Android botnets baseadas em informações presentes nos aplicativos. Entretanto, a falta de entendimento do comportamento e especificidades dos malwares presentes em botnets para dispositivos móveis dificultam o projeto de soluções para mitigar esse problema. Para tornar os sistemas de detecção de botnets mais eficientes, discriminar as características que descrevem aplicativos benignos e maliciosos é uma questão crítica e fundamental para o desenvolvimento de contramedidas. Neste contexto, este trabalho descreve um método de detecção de Android botnet baseado em dados extraídos de aplicativos Android utilizando quantificadores de recuperação da informação para definir as características mais relevantes e, como resultado, proporcionar maior eficácia de detecção de Android botnet por meio de algoritmos de aprendizado de máquina. O método proposto reduz a dimensionalidade do espaço de características usando uma medida de ponderação baseada no TF-IDF (Term Frequency-Inverse Document Frequency) para identificar as características mais relevantes em cada amostra por meio dos conjuntos de permissões solicitadas ao usuário e das ações executadas pelos componentes da aplicação. Experimentos realizados com 2.997 amostras reais de aplicativos (benignos e maliciosos) mostram que o método proposto melhora, em todos os cenários avaliados, a eficácia de modelos de aprendizagem no processo de classificação de Android botnets.A large number of Android devices and the availability of sensitive data have made smartphones a new environment for spreading malicious activities. As smartphones remain online for long periods, they provide an ideal platform for operating botnets, also known as Android botnets. For this reason, recent research has focused on solutions for Android botnet detection based on information from applications. However, the lack of understanding of the behavior and specifics of malware in botnets for mobile devices makes it difficult to design solutions to mitigate this problem. To make botnet detection systems more efficient, discriminating the characteristics that describe benign and malicious applications is a critical and fundamental issue for developing countermeasures. In this context, this work describes an Android botnet detection method based on data extracted from Android applications using information retrieval quantifiers to define the most relevant characteristics and, as a result, provide greater efficiency of Android botnet detection through machine learning algorithms. The proposed method reduces the feature space dimensionality using a weighting measure based on the TF-IDF (Term Frequency-Inverse Document Frequency) to identify the most relevant features in samples through requested permissions and the actions performed by the application components. Experiments performed with 2,997 real world samples of applications (benign and malicious) show that the proposed method improves, in all evaluated scenarios, the effectiveness of learning models in the classification process of Android botnets.Os exemplos poderiam estar melhor descritos e ter mais opções de exemplo. Isso facilitaria o entendimento na hora de preencher.Universidade Federal do AmazonasInstituto de ComputaçãoBrasilUFAMPrograma de Pós-graduação em InformáticaSouto, Eduardo James Pereirahttp://lattes.cnpq.br/3875301617975895Feitosa, Eduardo Luzeirohttp://lattes.cnpq.br/5939944067207881Martins, Gilbert Breveshttp://lattes.cnpq.br/4932200790121123Carneiro, Igor Felipe Sodré Ribeirohttps://lattes.cnpq.br/18341088155478362023-02-04T01:43:55Z2022-08-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCARNEIRO, Igor Felipe Sodré Ribeiro. Detecção de android botnet baseada na relevância de permissões e filtros de intenção. 2022. 63 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2022.https://tede.ufam.edu.br/handle/tede/9273porhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2023-02-04T05:03:39Zoai:https://tede.ufam.edu.br/handle/:tede/9273Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922023-02-04T05:03:39Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
title |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
spellingShingle |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção Carneiro, Igor Felipe Sodré Ribeiro Computação móvel - Programação Android (Recurso eletrônico) - Medidas de segurança Smartphones - Programação CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: SISTEMAS DE INFORMACAO Android Botnet Android botnets Dispositivos móveis Classificação Malwares Detecção de malware |
title_short |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
title_full |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
title_fullStr |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
title_full_unstemmed |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
title_sort |
Detecção de android botnet baseada na relevância de permissões e filtros de intenção |
author |
Carneiro, Igor Felipe Sodré Ribeiro |
author_facet |
Carneiro, Igor Felipe Sodré Ribeiro https://lattes.cnpq.br/1834108815547836 |
author_role |
author |
author2 |
https://lattes.cnpq.br/1834108815547836 |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Souto, Eduardo James Pereira http://lattes.cnpq.br/3875301617975895 Feitosa, Eduardo Luzeiro http://lattes.cnpq.br/5939944067207881 Martins, Gilbert Breves http://lattes.cnpq.br/4932200790121123 |
dc.contributor.author.fl_str_mv |
Carneiro, Igor Felipe Sodré Ribeiro https://lattes.cnpq.br/1834108815547836 |
dc.subject.por.fl_str_mv |
Computação móvel - Programação Android (Recurso eletrônico) - Medidas de segurança Smartphones - Programação CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: SISTEMAS DE INFORMACAO Android Botnet Android botnets Dispositivos móveis Classificação Malwares Detecção de malware |
topic |
Computação móvel - Programação Android (Recurso eletrônico) - Medidas de segurança Smartphones - Programação CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: SISTEMAS DE INFORMACAO Android Botnet Android botnets Dispositivos móveis Classificação Malwares Detecção de malware |
description |
O grande número de dispositivos Android e a disponibilidade de dados sensíveis tornaram os smartphones um novo ambiente para propagação de atividades maliciosas. Como os smartphones tendem a ficar online por longos períodos, eles fornecem uma plataforma ideal para operar botnets, também conhecidas como Android botnets. Por essa razão, pesquisas recentes têm direcionado seus esforços em soluções de detecção de Android botnets baseadas em informações presentes nos aplicativos. Entretanto, a falta de entendimento do comportamento e especificidades dos malwares presentes em botnets para dispositivos móveis dificultam o projeto de soluções para mitigar esse problema. Para tornar os sistemas de detecção de botnets mais eficientes, discriminar as características que descrevem aplicativos benignos e maliciosos é uma questão crítica e fundamental para o desenvolvimento de contramedidas. Neste contexto, este trabalho descreve um método de detecção de Android botnet baseado em dados extraídos de aplicativos Android utilizando quantificadores de recuperação da informação para definir as características mais relevantes e, como resultado, proporcionar maior eficácia de detecção de Android botnet por meio de algoritmos de aprendizado de máquina. O método proposto reduz a dimensionalidade do espaço de características usando uma medida de ponderação baseada no TF-IDF (Term Frequency-Inverse Document Frequency) para identificar as características mais relevantes em cada amostra por meio dos conjuntos de permissões solicitadas ao usuário e das ações executadas pelos componentes da aplicação. Experimentos realizados com 2.997 amostras reais de aplicativos (benignos e maliciosos) mostram que o método proposto melhora, em todos os cenários avaliados, a eficácia de modelos de aprendizagem no processo de classificação de Android botnets. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-08-09 2023-02-04T01:43:55Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
CARNEIRO, Igor Felipe Sodré Ribeiro. Detecção de android botnet baseada na relevância de permissões e filtros de intenção. 2022. 63 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2022. https://tede.ufam.edu.br/handle/tede/9273 |
identifier_str_mv |
CARNEIRO, Igor Felipe Sodré Ribeiro. Detecção de android botnet baseada na relevância de permissões e filtros de intenção. 2022. 63 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2022. |
url |
https://tede.ufam.edu.br/handle/tede/9273 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1800234131375783936 |