RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      KCI등재

      머신러닝을 이용한 권한 기반 안드로이드 악성코드 탐지

      한글로보기

      https://www.riss.kr/link?id=A105435201

      • 0

        상세조회
      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      국문 초록 (Abstract)

      본 연구는 안드로이드 정적분석을 기반으로 추출된 AndroidManifest 권한 특징을 통해 악성코드를 탐지하고자 한다. 특징들은 AndroidManifest의 권한을 기반으로 분석에 대한 자원과 시간을 줄였다....

      본 연구는 안드로이드 정적분석을 기반으로 추출된 AndroidManifest 권한 특징을 통해 악성코드를 탐지하고자 한다. 특징들은 AndroidManifest의 권한을 기반으로 분석에 대한 자원과 시간을 줄였다. 악성코드 탐지 모델은 1500개의 정상어플리케이션과 500개의 악성코드들을 학습한 SVM(support vector machine), NB(Naive Bayes), GBC(Gradient Boosting Classifier), Logistic Regression 모델로 구성하여 98%의 탐지율을 기록했다. 또한, 악성앱 패밀리 식별은 알고리즘 SVM과 GPC (Gaussian Process Classifier), GBC를 이용하여 multi-classifiers모델을 구현하였다. 학습된 패밀리 식별 머신러닝 모델은 악성코드패밀리를 92% 분류했다.

      더보기

      다국어 초록 (Multilingual Abstract)

      This study focuses on detection of malicious code through AndroidManifest permissoion feature extracted based on Android static analysis. Features are built on the permissions of AndroidManifest, which can save resources and time for analysis. Malicio...

      This study focuses on detection of malicious code through AndroidManifest permissoion feature extracted based on Android static analysis. Features are built on the permissions of AndroidManifest, which can save resources and time for analysis. Malicious app detection model consisted of SVM (support vector machine), NB (Naive Bayes), Gradient Boosting Classifier (GBC) and Logistic Regression model which learned 1,500 normal apps and 500 malicious apps and 98% detection rate. In addition, malicious app family identification is implemented by multi-classifiers model using algorithm SVM, GPC (Gaussian Process Classifier) and GBC (Gradient Boosting Classifier). The learned family identification machine learning model identified 92% of malicious app families.

      더보기

      목차 (Table of Contents)

      • 요약
      • ABSTRACT
      • I. 서론
      • II. 관련연구
      • III. Feature selection
      • 요약
      • ABSTRACT
      • I. 서론
      • II. 관련연구
      • III. Feature selection
      • IV. 구현
      • V. 실험
      • VI. 결론
      • References
      더보기

      참고문헌 (Reference)

      1 "apk_parse"

      2 "Threat Report" McAfee Labs 2017

      3 Pedregosa, Fabian, "Scikitlearn: Machine learning in Python" 2825-2830, 2011

      4 "Mobile trends in 2015"

      5 Peiravian, Naser, "Machine learning for android malware detection using permission and api calls" 300-305, 2013

      6 Yang, Zhemin, "Leakminer: Detect information leakage on android with static taint analysis" 101-104, 2012

      7 "IDC"

      8 Suarez-Tangil, Guillermo, "DroidSieve: Fast and accurate classification of obfuscated android malware" 309-320, 2017

      9 "Dalvik Executable format"

      10 "Android-apktool: A tool for reengineering Android apk files"

      1 "apk_parse"

      2 "Threat Report" McAfee Labs 2017

      3 Pedregosa, Fabian, "Scikitlearn: Machine learning in Python" 2825-2830, 2011

      4 "Mobile trends in 2015"

      5 Peiravian, Naser, "Machine learning for android malware detection using permission and api calls" 300-305, 2013

      6 Yang, Zhemin, "Leakminer: Detect information leakage on android with static taint analysis" 101-104, 2012

      7 "IDC"

      8 Suarez-Tangil, Guillermo, "DroidSieve: Fast and accurate classification of obfuscated android malware" 309-320, 2017

      9 "Dalvik Executable format"

      10 "Android-apktool: A tool for reengineering Android apk files"

      11 Sarma, Bhaskar Pratim, "Android permissions: a perspective combining risks and benefits" 13-22, 2012

      12 Jae-wook Jang, "Andro-AutoPsy: Anti-malware system based on similarity matching of malware and malware creator-centric information" Elsevier BV 14 : 17-35, 2015

      13 Ham, Hyo-Sik, "Analysis of android malware detection performance using machine learning classifiers" 490-495, 2013

      더보기

      동일학술지(권/호) 다른 논문

      동일학술지 더보기

      더보기

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      인용정보 인용지수 설명보기

      학술지 이력

      학술지 이력
      연월일 이력구분 이력상세 등재구분
      2026 평가예정 재인증평가 신청대상 (재인증)
      2020-01-01 평가 등재학술지 유지 (재인증) KCI등재
      2017-01-01 평가 등재학술지 유지 (계속평가) KCI등재
      2013-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2010-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2008-01-01 평가 등재 1차 FAIL (등재유지) KCI등재
      2005-01-01 평가 등재학술지 선정 (등재후보2차) KCI등재
      2004-01-01 평가 등재후보 1차 PASS (등재후보1차) KCI등재후보
      2003-01-01 평가 등재후보학술지 선정 (신규평가) KCI등재후보
      더보기

      학술지 인용정보

      학술지 인용정보
      기준연도 WOS-KCI 통합IF(2년) KCIF(2년) KCIF(3년)
      2016 0.41 0.41 0.43
      KCIF(4년) KCIF(5년) 중심성지수(3년) 즉시성지수
      0.45 0.4 0.508 0.04
      더보기

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼