智能手机中用于恶意软件检测与数据窃取分类的非侵入式机器学习方案
密码学与安全
2021-02-15 v1 机器学习
摘要
智能手机包含比计算机和笔记本电脑上更敏感且更私密的信息。随着智能手机功能多样性的增加，更多数据变得脆弱并暴露于攻击者面前。成功的移动恶意软件攻击可能窃取用户的位置、照片甚至银行信息。由于缺乏攻击后策略，企业也面临因数据窃取而倒闭的风险。因此，除了检测智能手机中的恶意软件入侵外，还需要识别已被窃取的数据，以评估、辅助恢复并防止未来攻击。在本文中，我们提出了一种可访问的、非侵入式机器学习方案，不仅检测恶意软件入侵，还识别受监控下任何应用所窃取的数据类型。我们使用通过公开可用数据收集框架 SherLock 获取的 Android 使用数据来实现这一点。我们在使用该框架收集的真实世界数据上测试了我们的架构对多用户的性能。我们的架构在检测恶意软件时的不准确率低于 9%，并且能以 83% 的置信度对正在被窃取的数据类型进行分类。
引用
@article{arxiv.2102.06511,
title = {A Non-Intrusive Machine Learning Solution for Malware Detection and Data Theft Classification in Smartphones},
author = {Sai Vishwanath Venkatesh and Prasanna D. Kumaran and Joish J Bosco and Pravin R. Kumaar and Vineeth Vijayaraghavan},
journal= {arXiv preprint arXiv:2102.06511},
year = {2021}
}