Neural Network Based Android Malware Detection with Different IP Coding Methods
Notice bibliographique
Résumé
Due to the COVID-19 epidemic that has affected the \nwhole world, internet use has increased more than in previous \nyears. Almost all operations and transactions are done over the \ninternet, especially with the use of cellular phones and tablet PCs. \nThis growth results in many security deficits that need to be solved \nby security admins and end users. Malicious software (malware) \nis generally preferred for attacking the computer systems and \nrecently for cellular phones. As a mobile operating system, \nAndroid is the main player of this sector with about 72% market \nshare worldwide. Therefore, malware attacks especially target \nthese devices, for reaching the maximum number of victims. The \nsituation is getting more and more devastating with around 12,000 \nnew Android malware attacks every day. This is one critical \nproblem that needed to be solved by setting up an android \nmalware detection system. Machine learning algorithms are \nfrequently preferred in data mining-based security applications \nwhich contain lots of features in datasets. Artificial Neural \nnetworks are one of the mostly preferred learning models for \ntraining the system. Therefore, in this paper, it is aimed to \nimplement a neural network based android malware detection \nsystem by using an up-to-date dataset presented by the Cyber \nSecurity Institute of Canada as CICMalDroid2017. Ip Addresses \nare one of the features in this dataset, and we focus on two \ndifferent IP coding methods, as IP Splitting to Four Numbers, IP \nTransform to integer number, and no IP Address. In experimental \nstudy we reached a good level of accuracy rate as 98.4% by \nsplitting an IP address to four numbers.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».