Android botnet detection using signature \ndata and Ensemble Machine Learning
Notice bibliographique
Résumé
As the use of smartphones has increased intensely in the past decade for daily activities such as socialising, banking, online shopping and communicating with friends and family. Android operating system is very popular and used universally for smartphones and tablets. Therefore, threats for this android platform is emerging very rapidly. Exploiting smartphones are comparatively easy and more effective than exploiting traditional computer systems and thus attackers started developing applications with hidden botnet capabilities. These applications use to take control of user’s device without his permission to steal sensitive data or launch denial-of-service attack with the help of Command and Control (C&C) servers. There are many proposed solutions available to detect botnet application using various approaches. In this paper, I proposed a hybrid model for botnet detection using a combination of signature-based detection at initial layer to perform abrupt detection. At 2nd layer ensemble machine learning method is used to identify botnet components with the help of extracted permissions and intents via static analysis. I compared 5 machine learning classifier algorithms and selected three with highest accuracy to create ensemble model. To extract the features to prepare efficient dataset for training and testing of this machine learning model I analyse 375 applications with botnet capabilities and 1105 benign applications from CICInvesAndMal2019 dataset which is novel and publicly available for researchers by the Canadian Institute for Cybersecurity. To confirm this result, we used Virus Total as a reference point which also showed comparable results of botnet detection. In this experiment, we successfully obtain 95.4% accuracy with the Logistic Regression classifier which was slightly increased to 95.8% after assembling top three algorithms. \nKeywords: Android Botnets, Ensemble Machine Learning, Signature-Based detection, Permissions, Intents, and DDoS prevention.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».