×
⑩ahin，杜尔穆什·兹坎；塞达特·阿克莱莱克；埃尔达尔·科勒松

关于KNN算法中的（k）值和距离度量对android恶意软件检测的影响。 （英语） 兹伯利07513751

高级数据科学。适应。分析。 13，编号3-4，文章ID 2141001，20 p.（2021）.
摘要：近年来，移动设备的使用量显著增加。Android操作系统是目前世界上最受欢迎的开源移动操作系统。此外，Android操作系统是物联网（IoT）上许多设备的首选，物联网设备用于日常生活的许多领域。智能城市、智能环境、健康、家庭自动化、农业和畜牧业是一些使用领域。健康是最常用的领域之一。由于Android操作系统既是广泛使用的操作系统，也是开源的，市场上发布的绝大多数恶意软件现在都是为Android平台设计的。因此，使用Android操作系统的设备受到严重威胁。在本研究中，提出了一种基于机器学习的Android操作系统恶意软件检测系统。此外，创建的功能向量具有在Android操作系统安全性中具有重要地位的权限。使用机器学习技术之一的最近邻算法（KNN）创建的特征向量作为该算法的输入，并提供恶意软件和良性软件的分类。在KNN算法中，用于查找最近样本的\（k）值和距离度量直接影响分类性能。此外，在基于许可的研究中详细检查KNN算法参数的研究是有限的。因此，在不同数据集下，使用五个不同的k值和五个不同距离度量来比较恶意软件检测系统的性能。当检查结果时，可以观察到，当给\（k\）给定诸如1、3之类的值并且选择诸如欧几里得和闵可夫斯基之类的度量来代替切比雪夫距离度量时，可以获得更高的分类性能。

MSC公司：

62至XX 统计

关键词：

机器学习；\（k）-最近邻算法；android恶意软件；安卓物联网设备；健康设备安全；恶意软件检测；静态分析

软件：

威卡；多功能自动数据分析机；AAPT2型
PDF格式BibTeX公司 XML格式引用
\textit｛D.Ö.Şahin｝等人，高级数据科学。适应。分析。13，编号3--4，文章ID 2141001，20 p.（2021；Zbl 07513751）
全文： 内政部

参考文献：

[1] AAPT2（2021）。Android资产打包工具。网址：https://开发者。android.com/studio/command-line/aapt2。2021年4月17日访问。
[2] Abawajy，J.、Darem，A.和Alhashmi，A.（2021）。智能物联网平台中恶意软件检测的功能子集选择。传感器，21:1374。
[3] Aceto，G.、Persico，V.和Pescapé，A.（2018年）。信息和通信技术在医疗保健中的作用：分类、观点和挑战。J·奈特。计算。申请。，107: 125-154.
[4] Albahri，A.S.、Alwan，J.K.、Taha，Z.K.、Ismail，S.F.、Hamid，R.A.、Zaidan，A.、Albahry，O.S.、Zaida，B.、Alamodi，A.和Alsalem，M.（2021）。基于物联网的远程医疗用于疾病预防和健康促进：最新进展。J.Netw。计算。申请。，第173页：第102873页。
[5] 阿普普尔（2021）。APKpure安卓商店。网址：https://m.apkpure.com/tr/。2021年4月17日访问。
[6] Arslan，R.S.和Yurttakal，A.H.（2020年）。android中基于权限的恶意软件检测的K-最近邻分类器用法。Icontech国际期刊，4:15-27。
[7] Baldini，G.和Geneiatakis，D.（2019年）。《用于移动恶意软件检测的kNN距离测量性能评估》，2019年第6届国际会议控制、决策和信息技术（CoDIT），法国巴黎，第193-198页，https://doi.org/10.109/CoDIT.2019.8820510。
[8] Bayazit，E.C.、Koray Sahingoz，O.和Dogan，B.（2020年）。使用传统机器学习模型的android系统中的恶意软件检测：一项调查，2020年土耳其安卡拉国际人机交互、优化和机器人应用大会（HORA），第1-8页，https://doi.org/10.109/HORA49412.2020.9152840。
[9] Daglioglu，A.和Dogru，I.A.（2020年）。android操作系统中的恶意软件检测系统。Dicele u niv（双子座）。Mühendislik Fakültesi Müheldislik Dergisi，11:499-511。
[10] Damshenas，M.、Dehghantanha，A.、Choo，K.-K.R.和Mahmud，R.（2015）。M0Droid：一种基于安卓行为的恶意软件检测模型。J.Inf.隐私安全，11:141-157。
[11] Darus，F.M.、Ahmad，N.A.和Ariffin，A.F.M..（2019年）。使用XGboost对数据图像模式进行Android恶意软件分类，2019年IEEE Int.Conf.物联网和智能系统（IoTaIS），印度尼西亚巴厘岛，第118-122页。
[12] Darus，F.M.、Salleh，N.A.A.和Ariffin，A.F.M.（2018）。使用机器学习图像模式检测Android恶意软件，2018年网络弹性会议（CRC），IEEE，马来西亚布城，第1-2页。
[13] Dini，G.、Martinelli，F.、Saracino，A.和Sgandurra，D.（2012年）。女士：安卓恶意软件的多级异常检测器，《计算机网络安全的数学方法、模型和体系结构》，斯普林格出版社，第240-253页。
[14] Faruk Turan Cavli，O.和Sen，S.（2020年）。使用混合分析对android恶意软件进行家族分类，《2020年国际信息安全与密码学大会》，土耳其安卡拉，第62-67页，https://doi.org/10.109/ISCTURKEY51113.2020.9308003。
[15] Hall，M.、Frank，E.、Holmes，G.、Pfahringer，B.、Reutemann，P.和Witten，I.H.（2009）。WEKA数据挖掘软件：更新。ACM SIGKDD探索新闻稿。，11: 10-18.
[16] Hassija，V.，Chamola，V.、Saxena，V.和Jain，D.、Goyal，P.和Sikdar，B.（2019年）。物联网安全调查：应用领域、安全威胁和解决方案架构。IEEE接入，7:82721-82743。
[17] Jung，S.-J.、Myllylä，R.和Chung，W.-Y.（2012年）。在全球网络中使用android移动设备的无线机器对机器医疗解决方案。IEEE Sens.J.，13:1419-1424。
[18] 卡格尔（2021）。数据集链接。网址：https://www.kaggle.com/xwolf12/datasetandroid权限。2021年4月17日访问。
[19] 卡巴斯基（2021）。Android移动安全威胁。网址：https://www.kaspersky.com/resource-center/threats/mobile。2021年4月17日访问。
[20] Kedziora，M.、Gawin，P.、Szczepanik，M.和Jozwiak，I.（2019年）。使用机器学习算法和android java代码逆向工程进行恶意软件检测。国际J.净值。安全应用程序。（IJNSA），11（1）：1-14。
[21] Lashkari，A.H.、Kadir，A.F.A.、Taheri，L.和Ghorbani，A.A.（2018）。关于开发一种生成基准安卓恶意软件数据集和分类的系统方法，2018国际卡纳汉会议安全技术（ICCST），IEEE，加拿大蒙特利尔，QC，第1-7页。
[22] Lu，N.，Li，D.，Shi，W.，Vijayakumar，P.，Piccialli，F.和Chang，V.（2021年）。5g环境下基于深度神经网络的高效组合恶意软件检测框架。计算机网络。，189: 107932.
[23] Lu，T.和Neng，W.s（2010年）。未来互联网：物联网，2010年第三届高级计算机理论与工程国际会议，中国成都，第V5-376-V5-380页，https://doi.org/10.109/ICACTE.2010.5579543。
[24] Ngo，Q.-D.、Nguyen，H.-T.、Nguyen，L.-C.和Nguyen，D.-H.（2020）。基于静态特征的物联网恶意软件和检测方法调查。ICT快讯6（4）：280-286。
[25] Sanz，B.、Santos，I.、Laorden，C.、Ugarte-Pedrero，X.、Nieves，J.、Bringas，P.G.和Alvarez Mara nón，G.（2013）。MAMA:android恶意软件检测的清单分析。赛博。系统。，44: 469-488.
[26] Singh，M.和Jain，N.（2016年）。基于智能手机的蓝牙无线血压监测系统的性能和评估。IEEE Sens.J.，16:8322-8328。
[27] Statista（2021a）。截至2016年，用于物联网（IoT）设备的操作系统的分布情况。网址：https://www.statista.com/statistics/659581/。2021年4月17日访问。
[28] Statista（2021b）。2012年1月至2021年1月，移动操作系统在全球的市场份额。网址：https://www.statista.com/statistics/272698/，于2021年4月17日访问。
[29] Tahtaci，B.和Canbay，B.（2020年）。使用机器学习检测Android恶意软件，《2020智能系统和应用程序创新大会》（ASYU），IEEE，第1-6页。
[30] Urcuqui-López，C.和Cadavid，A.N.（2016）。android恶意软件分析框架。系统。Telemát。，14: 45-56.
[31] Utku，A.和Doóru，I。A.（2017）。基于权限的安卓恶意软件检测系统。加齐乌尼夫。Mühendislik Mimarlák Fakül。授权。，32分：1015-1024秒。
[32] Wang，W.、Li，Y.、Wang，X.、Liu，J.和Zhang，X.（2018）。检测android恶意应用程序并使用分类器集成对良性应用程序进行分类。未来一代。计算。系统。，78: 987-994.
[33] Wei，F.、Li，Y.、Roy，S.、Ou，X.和Zhou，W.（2017）。《当前android恶意软件的深层真相分析》，《入侵和恶意软件的国际Conf.检测和漏洞评估》，Springer出版社，第252-276页。
[34] White，P.J.、Podaima，B.W.和Friesen，M.R.（2014）。用于医疗应用的智能手机和平板电脑图像分析的算法。IEEE接入，2:831-840。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。