تحلیل و شناسایی بدافزارهای اندرویدی با استفاده از تکنیکهای یادگیری ماشینی

با توجه به افزایش استفاده از دستگاههای اندرویدی و گسترش تهدیدات، امنیتی شناسایی بدافزارهای اندرویدی به یکی از چالشهای اصلی در حوزه امنیت اطلاعات تبدیل شده است. روشهای سنتی مانند امضا تحلیل مبتنی بر در شناسایی بدافزارهای جدید و مبهم سازی شده کارایی محدودی دارند. در این پژوهش یک چارچوب تشخیص بدافزار اندرویدی مبتنی بر تحلیل ایستا و الگوریتمهای یادگیری ماشین ارائه شده است که هدف آن افزایش دقت، سرعت و قابلیت تعمیم در شناسایی برنامههای مخرب است. ابتدا مجموعه ای متنوع از اپلیکیشنهای سالم و مخرب گردآوری شد و با استفاده از ابزار Androguard ویژگیهای ایستای برنامه ها نظیر مجوزها، APIهای استفاده شده و ساختار فایل Manifest استخراج گردید. پس از انجام پیش پردازش و کاهش ویژگیها با الگوریتم RFE، داده ها به سه مدل یادگیری ماشین شامل SVM، Random Forest و KNN آموزش داده شدند. نتایج آزمایشها نشان داد که الگوریتم Random Forest با دقت ۹۶.۱۲ درصد و میانگین F۱ معادل ۹۶.۱ درصد عملکرد بهتری نسبت به سایر روشها داشته است. همچنین تحلیل ویژگیها نشان داد که برخی مجوزهای خاص نظیر SEND_SMS و SYSTEM_ALERT_WINDOW نقش کلیدی در شناسایی بدافزارها دارند. استفاده از تحلیل ایستا باعث کاهش منابع مصرفی و تسریع فرآیند شناسایی شد. هرچند محدودیتهایی در برابر بدافزارهای با رفتار پنهان وجود دارد، در نتیجه این چارچوب میتواند به عنوان ابزاری موثر برای شناسایی خودکار بدافزارهای اندرویدی به ویژه در سامانه های سبک وزن و بلادرنگ مورد استفاده قرار گیرد. در پژوهشهای آتی ترکیب تحلیل ایستا و پویا و بهره گیری از یادگیری عمیق جهت افزایش دقت و پوشش تهدیدات نوظهور پیشنهاد میشود.

کلیدواژه ها:

بدافزار ، اندروید ، یادگیری ماشینی ، Random Forest