Detecção de android botnet baseada na relevância de permissões e filtros de intenção

Carneiro, Igor Felipe Sodré Ribeiro; https://lattes.cnpq.br/1834108815547836

Dissertação

Detecção de android botnet baseada na relevância de permissões e filtros de intenção

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 c...

ver descrição completa

Autor principal:	Carneiro, Igor Felipe Sodré Ribeiro
Outros Autores:	https://lattes.cnpq.br/1834108815547836
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2023
Assuntos:	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
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/9273

id	oai:https:--tede.ufam.edu.br-handle-:tede-9273
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-92732023-02-04T05:03:39Z Detecção de android botnet baseada na relevância de permissões e filtros de intenção Carneiro, Igor Felipe Sodré Ribeiro Souto, Eduardo James Pereira https://lattes.cnpq.br/1834108815547836 http://lattes.cnpq.br/3875301617975895 Feitosa, Eduardo Luzeiro http://lattes.cnpq.br/5939944067207881 Martins, Gilbert Breves http://lattes.cnpq.br/4932200790121123 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 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. 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. 2023-02-04T01:43:55Z 2022-08-09 Dissertação 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 por Acesso Aberto http://creativecommons.org/licenses/by/4.0/ 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	por
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
spellingShingle	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 Carneiro, Igor Felipe Sodré Ribeiro Detecção de android botnet baseada na relevância de permissões e filtros de intenção
topic_facet	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.
author_additional	Souto, Eduardo James Pereira
author_additionalStr	Souto, Eduardo James Pereira
format	Dissertação
author	Carneiro, Igor Felipe Sodré Ribeiro
author2	https://lattes.cnpq.br/1834108815547836
author2Str	https://lattes.cnpq.br/1834108815547836
title	Detecção de android botnet baseada na relevância de permissões e filtros de intenção
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
publisher	Universidade Federal do Amazonas
publishDate	2023
url	https://tede.ufam.edu.br/handle/tede/9273
_version_	1781302739998867456
score	11.687526

Detecção de android botnet baseada na relevância de permissões e filtros de intenção

Registros relacionados