Kenkėjiškų ir privatumo atakų mobiliesiems įrenginiams aptikimas, remiantis kritiniais leidimais
Erdmanas, Julianas |
Jackevičius, Justas | Recenzentas / Rewiewer |
Baigiamajame magistro darbe tiriami „Android” programų prašomi leidimai, taikant mašininio mokymo metodus kenkėjiškoms programoms aptikti. Darbo tikslas - patobulinti kenkėjiškų programų aptikimą remiantis mašininio mokymo metodais, duomenų rinkinius sudarant iš statinės bei dinaminės analizės metu gautų programų leidimų ir sisteminių kreipinių. Pastebėta, kad dėl „Android” sistemos populiarumo bei atvirojo kodo naudojimo atsiranda vis daugiau įvairių programų, kurias galima atsisiųsti iš „Android Market” bei trečiųjų šalių puslapių. Todėl ne visos programos yra sertifikuotos teisėtų organizacijų ir kai kurios gali būti kenkėjiškos, besikėsinančios į vartotojo privačius duomenis arba siekiančios trukdyti programos sklandžiam veikimui. Darbe pateikiamas sprendimas, leidžiantis aptikti kenkėjiškas aplikacijas remiantis vartotojo suteiktais leidimais bei sisteminiais skambučiais, taikant mašininio mokymo KNN ir SVM metodus. Baigiamojo darbo išvadose pateikiami rezultatai, kurie yra gauti taikant mašininio mokymo metodus. Darbą sudaro 7 dalys: įvadas, keturios dėstymo dalys, išvados, literatūros sąrašas, priedai. Darbo apimtis: 79 p. teksto be priedų, 33 iliustracijos, 14 lentelių, 11 diagramų, 28 bibliografiniai šaltiniai.
The final master's thesis investigates the permissions of android applications using machine learning methods for malware detection. The aim of the work is to improve the detection of malware based on machine learning methods, creating data sets from application permissions and system references obtained during static and dynamic analysis. It has been noticed that due to the popularity of the Android system and the use of open source, there is an increasing variety of applications that can be downloaded from the Android Market and third-party sites. As a result, not all applications are certified by legitimate organizations, and some may be malicious, encroach on a user's private data, or interfere with the smooth operation of the application. The paper presents a solution that allows the detection of malicious applications based on user permissions and system calls, using machine learning KNN and SVM methods. The conclusions of the final work present the results that are obtained by applying machine training methods. Structure: introduction, four parts, conclusions, references, appendixes. Thesis consists of: 79 p. text without appendixes, 33 pictures, 14 tables, 11 diagrams, 28 bibliographical entries.