Android App Protection through Anti-tampering and Anti-debugging Techniques
Notice bibliographique
Résumé
Android devices remain an attractive mobile malware target in recent years. Android applications (or simply apps) in the device are vulnerable to different attacks which can tamper with the execution of an app to change app behavior so that it performs harm to users or can debug an app to steal private data (source code, user data and behavior). Android app protection is necessary to defend app behavior integrity and protect app privacy. \n \nThe app cache, where the app actually runs, is vulnerable to being tampered with. Cache tampering allows for the same behavioral changes as piggybacking. Piggybacking an app is to repackage an legitimate app with extra code that can perform malicious acts after installation, such as stealing user sensitive data or displaying unsolicited advertisements. The cache loading process of Android Runtime (ART) can be exploited by cache tampering attacks without rebooting the device. \nSecurity-Enhanced Linux (SELinux) full enforcement has been deployed in the Android platform since Android 5, which enhances the security of Android platform and decreases the security concerns apps should take care of at the same time. Therefore, apps are vulnerable to being debugged in an insecure Android environment such as an emulator or a device with a rooted Android ROM. \n \nWe present a comprehensive app protection approach using anti-tampering and anti-debugging techniques. We implement separate solutions in terms of two protections against tampering and debugging. We maintain the integrity of app cache \nand implement a lightweight cache protection solution for anti-tampering. We collect debugging points of ART and protect them at runtime from being tampered with. Our solution can be deployed easily across different Android ART-based platforms with little effort. App developers are able to use our techniques to protect their apps.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».