Zeitschrift für Informationstechnologie und Softwareentwicklung
Offener Zugang

Abstrakt

Maschinelles Lernen zur Erkennung von iOS-Malware

Lisa Angelina

Smartphones sind zu einem unverzichtbaren Bestandteil unseres täglichen Lebens geworden. Smartphones werden auf sozialer, politischer und wirtschaftlicher Ebene fast ausschließlich als Kommunikationsmittel, Informationsquelle und Quelle der Freude genutzt. Die rasanten Fortschritte in der Informations- und Cybersicherheit erfordern besondere Aufmerksamkeit für die Privatsphäre und Sicherheit von Smartphone-Daten. In jüngster Zeit wurden Spyware-Erkennungssysteme als potenzielle und attraktive Option zum Schutz der Privatsphäre von Smartphone-Benutzern entwickelt. Da das Android-Betriebssystem weltweit am häufigsten verwendet wird, ist es ein Hauptziel für verschiedene Gruppen, die daran interessiert sind, die Privatsphäre von Smartphone-Benutzern anzugreifen. Diese Forschung präsentiert einen einzigartigen Datensatz, der in einer realistischen Umgebung mithilfe eines neuartigen Datenerfassungsansatzes auf der Grundlage einer einheitlichen Aktivitätsliste gesammelt wurde.

Die Daten sind in drei Kategorien unterteilt: Normaler Smartphone-Verkehr, Verkehrsdaten für den Spyware-Installationsvorgang und Spyware-Betriebsverkehrsdaten. Der Random-Forest-Klassifizierungsansatz wurde verwendet, um diesen Datensatz und das vorgeschlagene Modell zu überprüfen. Für die Datenkategorisierung wurden zwei Ansätze verwendet: Binärklassenklassifizierung und Mehrklassenklassifizierung. In Bezug auf die Präzision wurden gute Ergebnisse erzielt. Die durchschnittliche Gesamtgenauigkeit für die Binärklassenklassifizierung betrug 79 % und für die Mehrklassenklassifizierung 77 %.