Detekcija zlonamjernog softvera na Android operacijskom sustavu primjenom dubinskog učenja

• Main Author: Novak, Nikola
• Other Authors: Kuzmanić Skelin, Ana
• Format: Master Thesis
• Language: Croatian
• Published: Sveučilište u Splitu. Fakultet elektrotehnike, strojarstva i brodogradnje. Zavod za elektroniku i računarstvo. 2021
• Subjects: android operacijski sustav; zlonamjerni softver; dubinsko učenje; strojno učenje; detekcija zlonamjernog softvera; android operating system; malware; deep learning; machine learning; malware detection; TEHNIČKE ZNANOSTI. Računarstvo; TECHNICAL SCIENCES. Computing; sami
• Online Access: https://repozitorij.svkst.unist.hr/islandora/object/fesb:93; https://urn.nsk.hr/urn:nbn:hr:179:344404; https://repozitorij.svkst.unist.hr/islandora/object/fesb:93/datastream/PDF

U ovom radu dan je kratki pregled arhitekture Android sustava, njegovog sigurnosnog modela, te sigurnosti Android aplikacija. Najveći propust kod sigurnosti su sami korisnici, jer zlonamjerni softver ne može sam od sebe završiti na korisnikovom uređaju, kamoli dobiti sve potrebne dozvole kako bi mogao napraviti štetu. Napravljen je i pregled zlonamjernih android aplikacija, koje ne pokazuju znakove usporavanja u zadnjih par godina, pogotovo za vrijeme aktualne pandemije. Također su opisane trenutno popularne vrste i kampanje zlonamjernih aplikacija na Androidu. Dan je kratki uvod u metode strojnog učenja koje bi se mogle koristiti za detekciju zlonamjernog softvera na Androidu, te detaljni pregled dubinskog učenja i neuronskih mreža. Predstavljen je cjeloviti proces otkrivanja zlonamjernih Android aplikacija na temelju dubinskog učenja koji se sastoji od prikupljanja uzoraka, predobrade podataka, odabira značajki, treniranja modela, optimizacije modela, evaluacije modela, te konačno korištenja modela za predviđanje i rješavanje praktičnih problema. Cjelokupni proces demonstriran je na CICMalDroid 2020 skupu podataka. This master’s thesis deals with the topic Android malware detection using deep learning. First, a brief overview of the architecture of the Android system, its security model, and the security of Android applications is given. The biggest security flaw are the users themselves, because the malware cannot end up on the user’s device on its own, nor get all the necessary permissions to do damage. Next, a review of malicious Android applications has also been made, where the currently popular types and campaigns of malicious applications on Android are described. A brief introduction to machine learning methods that could be used to detect malware on Android is given, as well as a detailed overview of deep learning and neural networks. A comprehensive process of detecting malicious Android applications based on deep learning is presented, consisting of sample collection, data pre-processing, feature ...