SafeDroid: Safeguarding Android Mobile Phones from Adware and Banking Maldroid Attacks
Notice bibliographique
Résumé
Smartphones have become the indispensable tools for everyday life, the sensitive data stored on smartphones makes it a top target for hackers. On any Android phones, malicious software can be installed to enable access to networks that make money from Advertising and micropayment. Securing data from the attackers is a crucial concern. The two hazards focused in this study are adware and banking maldroid attacks. Malware designed for Android is known as maldroid and Adware, whose potential for harm is commonly underestimated, may be used as a springboard for other undesirable behaviours, while attacks by banking malware particularly aim to steal sensitive financial information. This research paper's examination of these dangerous attacks and tactics emphasizes the need for preventative defence actions. The proposed work provides a method of safeguarding Android mobile devices from malware and financial attacks using artificial intelligence-based solutions. The proposed methodology included a trained machine smart and intelligent nano chip that can be inserted into the motherboard of the mobile device to check on the authenticity of the incoming communication to Android mobile phones. This method can ensure that only authorized data packets are delivered to the user, which can safeguard the privacy of sensitive information of the user. The Canadian Institute for Cyber Security's data repository served as the source of the dataset and utilized it to develop and test artificial intelligence algorithms. The results show that the best match is with the Random Forest algorithm for identifying and classifying early-stage Adware malware and banking attacks on mobile devices.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».