Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti

Anıl Utku

doi:10.17341/gazimmfd.937374

Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti

Öz

Günümüzde giderek yaygınlaşan mobil cihazlar, gelişen multimedya iletişimi ve uygulamaları sayesinde bilgisayarların sağladığı çoğu özelliği kullanıcılarına sunmaktadır. Günümüzde, gelişmiş multimedya uygulamaları geleneksel cep telefonları tarafından desteklenmektedir. Mobil cihazlar artan işlevsellikleri ile birlikte zenginleştirilmiş internet deneyimi, finansal işlemler, sosyal medya platformlarına erişim, paylaşım, müzik ve video gibi birçok amaç için kullanılmaktadır. Bankacılık ve alışveriş gibi hassas kişisel veri aktarımlarının yapıldığı işlemleri, mobil cihazlar üzerinden gerçekleştirme, mobil cihazları saldırganların hedefi haline getirmektedir. Bu çalışmada, mobil uygulamaların ağ üzerindeki etkileşimlerine dayalı olarak derin öğrenme tabanlı bir kötü amaçlı yazılım tespit sistemi geliştirilmiştir. Geliştirilen LSTM tabanlı derin öğrenme modeli, doğruluk, kesinlik, duyarlılık ve F-1 puanı metrikleri kullanılarak NB, RF, SVM, MLP ve CNN ile karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, geliştirilen LSTM tabanlı derin öğrenme modelinin kötücül yazılım tespitinde %95 doğruluk oranı ile karşılaştırılan modellere göre daha başarılı olduğunu göstermiştir.

Anahtar Kelimeler

Kaynakça

1. Wang S., Chen Z., Yan Q., Yang B., Peng L., Jia Z., A mobile malware detection method using behavior features in network traffic, Journal of Network and Computer Applications, 133, 15-25, 2019.
2. Gezici B., Tarhan A., Chouseinoglou O., Mobil uygulamaların evriminde karmaşıklık, boyut ve iç kalite gelişimi: Keşifsel bir çalışma, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(3), 1483-1500, 2018.
3. Andrade E.D.O., Viterbo J., Vasconcelos C.N., Guérin J., Bernardini F.C., A model based on lstm neural networks to identify five different types of malware, Procedia Computer Science, 159, 182-191, 2019.
4. Grønli T.M., Hansen J., Ghinea G., Younas M., Mobile application platform heterogeneity: Android vs Windows Phone vs iOS vs Firefox OS, In 2014 IEEE 28th International Conference on Advanced Information Networking and Applications, Victoria, Kanada, 635-641, 13-16 Mayıs 2014.
5. Feng P., Ma J., Sun C., Xu X., Ma Y., A novel dynamic Android malware detection system with ensemble learning. IEEE Access, 6, 30996-31011, 2018.
6. Sarwar M., Soomro T.R., Impact of smartphone’s on society, European journal of scientific research, 98(2), 216-226, 2013.
7. Siau K., Lim E. P., Shen Z., Mobile commerce: Promises, challenges and research agenda, Journal of Database Management (JDM), 12(3), 4-13, 2001.
8. Yesilyurt M., Yalman Y., Security threats on mobile devices and their effects: estimations for the future, International Journal of Security and Its Applications, 10(2), 13-26, 2016.

9. Sheikh A.A., Ganai P.T., Malik N.A., Dar K.A., Smartphone: Android Vs iOS. The SIJ Transactions on Computer Science Engineering & its Applications (CSEA), 1(4), 141-148, 2013.
10. Baabdullah A.M., Alalwan A.A., Rana N.P., Al Shraah A., Kizgin H., Patil P.P. (2019, June). Mobile App Stores from the User’s Perspective, In International Working Conference on Transfer and Diffusion of IT, Accra, Gana, 21-30, 21–22 Haziran, 2019.
11. Kabakus A.T., Dogru I.A., An in-depth analysis of Android malware using hybrid techniques, Digital Investigation, 24, 25-33, 2018.
12. Wu D.J., Mao C.H., Wei T.E., Lee H.M., Wu K.P., Droidmat: Android malware detection through manifest and api calls tracing, In 2012 Seventh Asia Joint Conference on Information Security, Tokyo, Japonya, 62-69, 9-10 Ağustos, 2012.
13. Kapratwar A., Di Troia F., Stamp M., Static and dynamic analysis of android malware, In ICISSP, Porto, Portekiz, 653-662, 19-21 Şubat, 2017.
14. Arora A., Garg S., Peddoju S.K., Malware detection using network traffic analysis in android based mobile devices, In 2014 Eighth International Conference on Next Generation Mobile Apps, Services and Technologies, Oxford, İngiltere, 66-71, 10-12 Eylül, 2014.
15. Malik J., Kaushal R., CREDROID: Android malware detection by network traffic analysis, In Proceedings of the 1st acm workshop on privacy-aware mobile computing, New York, ABD, 28-36, Temmuz, 2016.
16. Wang S., Chen Z., Zhang L., Yan Q., Yang B., Peng L., Jia Z., Trafficav: An effective and explainable detection of mobile malware behavior using network traffic, In 2016 IEEE/ACM 24th International Symposium on Quality of Service (IWQoS), Beijing, Çin, 1-6, 20-21 Haziran, 2016.
17. Milosevic N., Dehghantanha A., Choo K.K.R., Machine learning aided Android malware classification, Computers & Electrical Engineering, 61, 266-274, 2017.
18. Karbab E. B., Debbabi M., Derhab A., Mouheb D., MalDozer: Automatic framework for android malware detection using deep learning, Digital Investigation, 24, 48-59, 2018.
19. Mehtab A., Shahid W.B., Yaqoob T., Amjad M.F., Abbas H., Afzal H., Saqib M.N., AdDroid: rule-based machine learning framework for android malware analysis, Mobile Networks and Applications, 25(1), 180-192, 2020.
20. Jang-Jaccard J., Nepal S., A survey of emerging threats in cybersecurity, Journal of Computer and System Sciences, 80(5), 973-993, 2014.
21. Or-Meir O., Nissim N., Elovici Y., Rokach L., Dynamic malware analysis in the modern era—A state of the art survey, ACM Computing Surveys (CSUR), 52(5), 1-48, 2019.
22. Rabbani M., Wang Y. L., Khoshkangini R., Jelodar H., Zhao R., Hu P., A hybrid machine learning approach for malicious behaviour detection and recognition in cloud computing, Journal of Network and Computer Applications, 151, 102507, 2020.
23. Seo S.H., Gupta A., Sallam A.M., Bertino E., Yim K., Detecting mobile malware threats to homeland security through static analysis, Journal of Network and Computer Applications, 38, 43-53, 2014.
24. Utku A, Doğru İ.A., Android kötücül yazılımlar için izin tabanlı tespit sistemi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(4), 1015-1024, 2017.
25. Li Q., Li X., Android malware detection based on static analysis of characteristic tree, In 2015 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, Xi'an, Çin, 84-91, 17-19 Eylül, 2015.
26. Dhaya R., Poongodi M., Detecting software vulnerabilities in android using static analysis, In 2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies, Ramanathapuram, Hindistan, 915-918, 8-10 Mayıs 2014.
27. Grégio A.R., Fernandes Filho D.S., Afonso V.M., Santos R.D., Jino M., de Geus P.L., Behavioral analysis of malicious code through network traffic and system call monitoring, In Evolutionary and Bio-Inspired Computation: Theory and Applications, 2011.
28. Kaggle. Android ağ trafiği veriseti. https://www.kaggle.com/xwolf12/network-traffic-android-malware. Yayın tarihi 2019. Erişim tarihi Şubat 1, 2021.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Anıl Utku ^*
0000-0002-7240-8713
Türkiye

Yayımlanma Tarihi

28 Şubat 2022

Gönderilme Tarihi

14 Mayıs 2021

Kabul Tarihi

6 Kasım 2021

Yayımlandığı Sayı

Yıl 2022 Cilt: 37 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.937374

IZ

https://izlik.org/JA45DS53TK

Kaynak Göster

RIS / Bibtex

APA

Utku, A. (2022). Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(4), 1823-1838. https://doi.org/10.17341/gazimmfd.937374

AMA

1.Utku A. Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti. GUMMFD. 2022;37(4):1823-1838. doi:10.17341/gazimmfd.937374

Chicago

Utku, Anıl. 2022. “Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 (4): 1823-38. https://doi.org/10.17341/gazimmfd.937374.

EndNote

Utku A (01 Şubat 2022) Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 4 1823–1838.

IEEE

[1]A. Utku, “Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti”, GUMMFD, c. 37, sy 4, ss. 1823–1838, Şub. 2022, doi: 10.17341/gazimmfd.937374.

ISNAD

Utku, Anıl. “Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/4 (01 Şubat 2022): 1823-1838. https://doi.org/10.17341/gazimmfd.937374.

JAMA

1.Utku A. Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti. GUMMFD. 2022;37:1823–1838.

MLA

Utku, Anıl. “Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 37, sy 4, Şubat 2022, ss. 1823-38, doi:10.17341/gazimmfd.937374.

Vancouver

1.Anıl Utku. Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti. GUMMFD. 01 Şubat 2022;37(4):1823-38. doi:10.17341/gazimmfd.937374

Cited By

Protecting Android Devices From Malware Attacks: A State-of-the-Art Report of Concepts, Modern Learning Models and Challenges

IEEE Access

https://doi.org/10.1109/ACCESS.2023.3323396

Görme engelliler için nesne tanıma ve resim altyazısını derin öğrenme teknikleriyle entegre eden verimli bir aktivite tanıma modeli

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.1245400

A Hybrid Method Based On A Genetic Algorithm That Uses Network Packets To Classify Spyware

Journal of Physical Chemistry and Functional Materials

https://doi.org/10.54565/jphcfum.1579687