AutoDroid: disponibilizando a ferramenta DroidAugmentor como serviço
Resumo
Propomos a AutoDroid, uma solução baseada em virtualização leve para disponibilizar como serviço a ferramenta DroidAugmentor, cujo objetivo é permitir o aumento de datasets utilizados para combater malwares Android através de IA. Disponibilizamos publicamente uma implementação da AutoDroid como prova de conceito. Apresentamos também uma avaliação qualitativa preliminar e esperamos que a solução viabilize a execução distribuída de outros serviços de AutoML, como a DroidAutoML.
Referências
AI & Data Today (2023). Top 10 reasons why ai projects fail. https://t.ly/wMBj5.
Assolin, J., Kreutz, D., Siqueira, G., Rocha, V., Miers, C., Mansilha, R., and Feitosa, E. (2022). DroidAutoML: uma ferramenta de automl para o domínio de detecção de malwares android. In Anais Estendidos do XXII SBSeg, pages 135–142.
Casola, K., Paim, K., Mansilha, R., and Kreutz, D. (2023). Droidaugmentor: uma ferramenta de treinamento e avaliação de cgans para geração de dados sintéticos. In Anais Estendidos do XXIII SBSeg. SBC.
Hu, W. and Tan, Y. (2022). Generating adversarial malware examples for black-box attacks based on GAN. In International Conference on Data Mining and Big Data, pages 409–423. Springer.
Kouliaridis, V., Kambourakis, G., and Peng, T. (2020). Feature importance in android malware detection. In IEEE 19th TrustCom, pages 1449–1454. IEEE.
Meijin, L., Zhiyang, F., Junfeng, W., Luyu, C., Qi, Z., Tao, Y., Yinwei, W., and Jiaxuan, G. (2022). A systematic overview of android malware detection. Applied Artificial Intelligence, 36(1):2007327.
Miranda, T. C., Gimenez, P.-F., Lalande, J.-F., Tong, V. V. T., and Wilke, P. (2022). Debiasing android malware datasets: How can i trust your results if your dataset is biased? IEEE Transactions on Information Forensics and Security, 17:2182–2197.
Rocha, V., Assolin, J., Bragança, H. L., Kreutz, D., and Feitosa, E. (2023). Amgenerator e amexplorer: Geração de metadados e construção de datasets android. In Anais Estendidos do XXIII SBSeg. SBC.
Siqueira, G., Rodrigues, G., Feitosa, E., and Kreutz, D. (2021). Quickautoml: Uma ferramenta para treinamento automatizado de modelos de aprendizado de máquina. In Anais da XIX Escola Regional de Redes de Computadores, pages 85–90. SBC.
Soares, T., Mello, J., Barcellos, L., Sayyed, R., Siqueira, G., Casola, K., Costa, E., Gustavo, N., Feitosa, E., and Kreutz, D. (2021a). Detecção de malwares android: Levantamento emṕırico da disponibilidade e da atualização das fontes de dados. In Anais da XIX ERRC, pages 49–54. SBC.
Soares, T., Siqueira, G., Barcellos, L., Sayyed, R., Vargas, L., Rodrigues, G., Assolin, J., Pontes, J., Feitosa, E., and Kreutz, D. (2021b). Detecçao de malwares android: datasets e reprodutibilidade. In Anais da XIX ERRC, pages 43–48. SBC.
Vilanova, L., Kreutz, D., Assolin, J., Quincozes, V., Miers, C., Mansilha, R., and Feitosa, E. (2022). Adbuilder: uma ferramenta de construçao de datasets para detecçao de malwares android. In Anais Estendidos do XXII SBSeg, pages 143–150. SBC.
Wang, H., Si, J., Li, H., and Guo, Y. (2019). RmvDroid: Towards a reliable android malware dataset with app metadata. In IEEE/ACM MSR, pages 404–408.
Assolin, J., Kreutz, D., Siqueira, G., Rocha, V., Miers, C., Mansilha, R., and Feitosa, E. (2022). DroidAutoML: uma ferramenta de automl para o domínio de detecção de malwares android. In Anais Estendidos do XXII SBSeg, pages 135–142.
Casola, K., Paim, K., Mansilha, R., and Kreutz, D. (2023). Droidaugmentor: uma ferramenta de treinamento e avaliação de cgans para geração de dados sintéticos. In Anais Estendidos do XXIII SBSeg. SBC.
Hu, W. and Tan, Y. (2022). Generating adversarial malware examples for black-box attacks based on GAN. In International Conference on Data Mining and Big Data, pages 409–423. Springer.
Kouliaridis, V., Kambourakis, G., and Peng, T. (2020). Feature importance in android malware detection. In IEEE 19th TrustCom, pages 1449–1454. IEEE.
Meijin, L., Zhiyang, F., Junfeng, W., Luyu, C., Qi, Z., Tao, Y., Yinwei, W., and Jiaxuan, G. (2022). A systematic overview of android malware detection. Applied Artificial Intelligence, 36(1):2007327.
Miranda, T. C., Gimenez, P.-F., Lalande, J.-F., Tong, V. V. T., and Wilke, P. (2022). Debiasing android malware datasets: How can i trust your results if your dataset is biased? IEEE Transactions on Information Forensics and Security, 17:2182–2197.
Rocha, V., Assolin, J., Bragança, H. L., Kreutz, D., and Feitosa, E. (2023). Amgenerator e amexplorer: Geração de metadados e construção de datasets android. In Anais Estendidos do XXIII SBSeg. SBC.
Siqueira, G., Rodrigues, G., Feitosa, E., and Kreutz, D. (2021). Quickautoml: Uma ferramenta para treinamento automatizado de modelos de aprendizado de máquina. In Anais da XIX Escola Regional de Redes de Computadores, pages 85–90. SBC.
Soares, T., Mello, J., Barcellos, L., Sayyed, R., Siqueira, G., Casola, K., Costa, E., Gustavo, N., Feitosa, E., and Kreutz, D. (2021a). Detecção de malwares android: Levantamento emṕırico da disponibilidade e da atualização das fontes de dados. In Anais da XIX ERRC, pages 49–54. SBC.
Soares, T., Siqueira, G., Barcellos, L., Sayyed, R., Vargas, L., Rodrigues, G., Assolin, J., Pontes, J., Feitosa, E., and Kreutz, D. (2021b). Detecçao de malwares android: datasets e reprodutibilidade. In Anais da XIX ERRC, pages 43–48. SBC.
Vilanova, L., Kreutz, D., Assolin, J., Quincozes, V., Miers, C., Mansilha, R., and Feitosa, E. (2022). Adbuilder: uma ferramenta de construçao de datasets para detecçao de malwares android. In Anais Estendidos do XXII SBSeg, pages 143–150. SBC.
Wang, H., Si, J., Li, H., and Guo, Y. (2019). RmvDroid: Towards a reliable android malware dataset with app metadata. In IEEE/ACM MSR, pages 404–408.
Publicado
23/10/2023
Como Citar
LAVIOLA, Luiz Felipe; PAIM, Kayuã Oleques; KREUTZ, Diego; MANSILHA, Rodrigo Brandão.
AutoDroid: disponibilizando a ferramenta DroidAugmentor como serviço. In: ESCOLA REGIONAL DE REDES DE COMPUTADORES (ERRC), 20. , 2023, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 145-150.
DOI: https://doi.org/10.5753/errc.2023.929.
