Tese

Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness

Atualmente, com o advento dos dispositivos móveis, surgiram uma variedade de aplicativos que são utilizadas nesses dispositivos para executar tarefas do dia a dia. Tais como, pagar contas, assistir filmes e pedir comida. Essa popularidade chamou a atenção de desenvolvedores maliciosos que começaram...

ver descrição completa

Autor principal: Rocha, Thiago de Souza
Outros Autores: http://lattes.cnpq.br/2541078732974933
Grau: Tese
Idioma: eng
Publicado em: Universidade Federal do Amazonas 2020
Assuntos:
Recommendation systems
Malicious applications
Android environment
Segurança da informação
Dispositivos Móveis
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Segurança
Privacidade
Recomendação
Malware
Android
Acesso em linha: https://tede.ufam.edu.br/handle/tede/7793
id oai:https:--tede.ufam.edu.br-handle-:tede-7793
recordtype dspace
spelling oai:https:--tede.ufam.edu.br-handle-:tede-77932020-05-21T05:03:44Z Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness Sistema de Recomendação de Aplicativos para Dispositivos Móveis Baseado na Funcionalidade e com Ciência de Segurança e Privacidade Rocha, Thiago de Souza Souto, Eduardo James Pereira http://lattes.cnpq.br/2541078732974933 http://lattes.cnpq.br/3875301617975895 Moura, Edleno Silva de http://lattes.cnpq.br/4737852130924504 Feitosa, Eduardo Luzeiro http://lattes.cnpq.br/5939944067207881 Sadok, Djamel Fawzi Hadj http://lattes.cnpq.br/3776300004312848 Recommendation systems Malicious applications Android environment Segurança da informação Dispositivos Móveis CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO Segurança Privacidade Recomendação Malware Android Atualmente, com o advento dos dispositivos móveis, surgiram uma variedade de aplicativos que são utilizadas nesses dispositivos para executar tarefas do dia a dia. Tais como, pagar contas, assistir filmes e pedir comida. Essa popularidade chamou a atenção de desenvolvedores maliciosos que começaram a criar aplicativos mal-intencionados para dispositivos móveis. Alguns desses aplicativos maliciosos alegam que executam uma determinada tarefa benigna apenas para atrair os usuários a instalar o aplicativo e danificar seus dispositivos e/ou executar atividades maliciosas, como enviar mensagens SMS a serviços pagos ou enviar informações confidenciais dos usuários para terceiros. Por esse motivo, os usuários precisam de uma maneira de escolher um aplicativo que seja considerado seguro e atenda suas necessidades. Por exemplo, caso um usuário esteja insatisfeito com o aplicativo utilizado para pedir comida, a lista de sugestões deve ter apenas aplicativos classificados como benignos e que sejam capazes de pedir comida. Atualmente, sistemas de recomendação estão sendo utilizados para escolher aplicativos dentro do ambiente do sistema operacional Android. Entretanto, a maioria das abordagens não avalia segurança e privacidade e quando o fazem consideradam apenas a configuração das permissões dos aplicativos. No entanto, estudos recentes demonstram que essa abordagem não é suficiente. Além disso, algumas abordagens se baseiam no conhecimento do usuário sobre as permissões dos aplicativos e estudos também mostraram que é uma abordagem propensa a erros, pois a maioria dos usuários não entende como o sistema funciona. Nesse contexto, este trabalho apresenta um sistema de recomendação baseado em funcionalidade com ciência de segurança e privacidade para avaliar e sugerir aplicativos. O sistema é formado por uma camada de segurança que utiliza aprendizado de máquina para avaliar os aplicativos e garantir que apenas aplicativos classificados como benignos possam ser sugeridos. Um sistema de pontuação de aplicativos baseado na funcionalidade também é utilizado para garantir que apenas os aplicativos com objetivos semelhantes possam ser sugeridos. Além disso, os usuários podem escolher entre métricas como popularidade, usabilidade, privacidade e atribuir pesos na métrica que considerarem mais importante. Por fim, é feito um mapeamento entre as permissões, chamadas de API e descrições dos apps para criar frases no intuito de que os usuários possam compreender o que o aplicativo que está sendo avaliado pode fazer no dispositivo móvel. O objetivo é fornecer informações úteis e compreensíveis para que os usuários possam verificar se o aplicativo está executando algum comportamento suspeito e/ou solicitando permissões desnecessárias. Um protótipo foi desenvolvido e comparado com os trabalhos da literatura, os experimentos demonstraram que o sistema obteve melhores resultados pois foi capaz de sugerir apenas aplicativos classificados como benignos com objetivos semelhantes. Também foi realizado um experimento comparativo com a Google Play, os resultados demonstram que, em termos de funcionalidade, a lista de sugestões do protótipo possui apenas aplicativos que compartilham objetivos semelhantes e que as categorias do Google Play precisam ser melhor definidas. As principais contribuições são o sistema de recomendação com o advento da camada de segurança, o sistema de pontuação dos aplicativos e o mapeamento entre permissões e chamadas de API, aumentando a confiança e o entendimento do usuário. Nowadays, with the advent of mobile devices, there are a variety of mobile applications to execute daily tasks, such as paying bills, watching movies and ordering food. That popularity caught the attention of malicious developers that started creating malicious applications for mobile devices instead of desktop computers. Some malicious applications claim that they can perform a certain common task, such as paying bills, just to lure users to install the application to damage their devices and/or execute malicious activities such as sending premium SMS messages or leaking users personal sensitive information. Because of that, users need a way to choose an app that is considered safe and meets their needs. For instance, if a user wants to change the application that he uses to order food, the list of suggestions must have only applications classified as benign that are capable of ordering food. Recommendation systems are currently being used to choose applications inside the Android environment, but most approaches do not evaluate security and privacy, and when they do, only the applications permissions configuration are considered. However, recent studies demonstrate that this approach is not enough. In addition, some approaches rely on user’s knowledge about the permissions, which studies have also shown that is error prone because most of users do not understand how the permissions system work. In this context, this work presents a novel functionality-based recommendation system with security and privacy awareness to evaluate and suggest apps. The system consists of a machine learning security layer that evaluates the applications to make sure that only apps classified as benign can be suggested. The proposed system also has an application scoring system that is based on functionality to ensure that only the applications with similar purposes can be suggested. In addition, users will be able to see popularity, usability and privacy metrics and add weights so that suggestions are made according to the user's preferences. Furthermore, a mapping between the permissions, application method calls, and descriptions is made to create phrases so that users can understand what the application being evaluated can do on the mobile device. The goal is to provide comprehensible information so users will be able to check if the application is executing any suspicious behavior and/or if it is requesting too much permissions. A prototype was developed and compared with works from the literature and the experiments demonstrated that the system had better results because it was able to suggest only applications classified as benign that have similar behaviors. The prototype was also compared with the official Google Play Store in order to verify if the list of suggestion has only apps with similar goals. The results demonstrate that, in terms of functionality, the prototype suggestion list had only apps that share similar goals and that Google Play categories needs to be better defined. The main contributions are the recommendation system with the advent of a security layer, the app scoring system inside a functionality context and the mapping between permissions and API calls raising user confidence and understanding. 2020-05-20T14:28:39Z 2020-03-06 Tese ROCHA, Thiago de Souza. Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness. 2020. 84 f. Tese (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2020. https://tede.ufam.edu.br/handle/tede/7793 eng Acesso Aberto application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática
institution TEDE - Universidade Federal do Amazonas
collection TEDE-UFAM
language eng
topic Recommendation systems
Malicious applications
Android environment
Segurança da informação
Dispositivos Móveis
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Segurança
Privacidade
Recomendação
Malware
Android
spellingShingle Recommendation systems
Malicious applications
Android environment
Segurança da informação
Dispositivos Móveis
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Segurança
Privacidade
Recomendação
Malware
Android
Rocha, Thiago de Souza
Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness
topic_facet Recommendation systems
Malicious applications
Android environment
Segurança da informação
Dispositivos Móveis
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Segurança
Privacidade
Recomendação
Malware
Android
description Atualmente, com o advento dos dispositivos móveis, surgiram uma variedade de aplicativos que são utilizadas nesses dispositivos para executar tarefas do dia a dia. Tais como, pagar contas, assistir filmes e pedir comida. Essa popularidade chamou a atenção de desenvolvedores maliciosos que começaram a criar aplicativos mal-intencionados para dispositivos móveis. Alguns desses aplicativos maliciosos alegam que executam uma determinada tarefa benigna apenas para atrair os usuários a instalar o aplicativo e danificar seus dispositivos e/ou executar atividades maliciosas, como enviar mensagens SMS a serviços pagos ou enviar informações confidenciais dos usuários para terceiros. Por esse motivo, os usuários precisam de uma maneira de escolher um aplicativo que seja considerado seguro e atenda suas necessidades. Por exemplo, caso um usuário esteja insatisfeito com o aplicativo utilizado para pedir comida, a lista de sugestões deve ter apenas aplicativos classificados como benignos e que sejam capazes de pedir comida. Atualmente, sistemas de recomendação estão sendo utilizados para escolher aplicativos dentro do ambiente do sistema operacional Android. Entretanto, a maioria das abordagens não avalia segurança e privacidade e quando o fazem consideradam apenas a configuração das permissões dos aplicativos. No entanto, estudos recentes demonstram que essa abordagem não é suficiente. Além disso, algumas abordagens se baseiam no conhecimento do usuário sobre as permissões dos aplicativos e estudos também mostraram que é uma abordagem propensa a erros, pois a maioria dos usuários não entende como o sistema funciona. Nesse contexto, este trabalho apresenta um sistema de recomendação baseado em funcionalidade com ciência de segurança e privacidade para avaliar e sugerir aplicativos. O sistema é formado por uma camada de segurança que utiliza aprendizado de máquina para avaliar os aplicativos e garantir que apenas aplicativos classificados como benignos possam ser sugeridos. Um sistema de pontuação de aplicativos baseado na funcionalidade também é utilizado para garantir que apenas os aplicativos com objetivos semelhantes possam ser sugeridos. Além disso, os usuários podem escolher entre métricas como popularidade, usabilidade, privacidade e atribuir pesos na métrica que considerarem mais importante. Por fim, é feito um mapeamento entre as permissões, chamadas de API e descrições dos apps para criar frases no intuito de que os usuários possam compreender o que o aplicativo que está sendo avaliado pode fazer no dispositivo móvel. O objetivo é fornecer informações úteis e compreensíveis para que os usuários possam verificar se o aplicativo está executando algum comportamento suspeito e/ou solicitando permissões desnecessárias. Um protótipo foi desenvolvido e comparado com os trabalhos da literatura, os experimentos demonstraram que o sistema obteve melhores resultados pois foi capaz de sugerir apenas aplicativos classificados como benignos com objetivos semelhantes. Também foi realizado um experimento comparativo com a Google Play, os resultados demonstram que, em termos de funcionalidade, a lista de sugestões do protótipo possui apenas aplicativos que compartilham objetivos semelhantes e que as categorias do Google Play precisam ser melhor definidas. As principais contribuições são o sistema de recomendação com o advento da camada de segurança, o sistema de pontuação dos aplicativos e o mapeamento entre permissões e chamadas de API, aumentando a confiança e o entendimento do usuário.
author_additional Souto, Eduardo James Pereira
author_additionalStr Souto, Eduardo James Pereira
format Tese
author Rocha, Thiago de Souza
author2 http://lattes.cnpq.br/2541078732974933
author2Str http://lattes.cnpq.br/2541078732974933
title Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness
title_short Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness
title_full Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness
title_fullStr Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness
title_full_unstemmed Functionality-Based Mobile Application Recommendation System with Security and Privacy Awareness
title_sort functionality-based mobile application recommendation system with security and privacy awareness
publisher Universidade Federal do Amazonas
publishDate 2020
url https://tede.ufam.edu.br/handle/tede/7793
_version_ 1831969872651747328
score 11.753735

Registros relacionados