Permissões Android para Detecção de Malwares: Um Estudo Preliminar

• Joner Assolin UNIPAMPA http://orcid.org/0000-0001-8517-6600
• Guilherme Siqueira UNIPAMPA https://orcid.org/0000-0002-8621-0660
• Gustavo Rodrigues UNIPAMPA https://orcid.org/0000-0001-8944-0958
• Diego Kreutz UNIPAMPA https://orcid.org/0000-0003-0830-0238

DOI: https://doi.org/10.5753/sbseg_estendido.2021.17356

Resumo

Além da quantidade de aplicativos benignos e malignos, outro fator que dificulta a detecção de malwares Android é o grande número de características para análise estática ou dinâmica utilizando métodos de aprendizagem de máquina. Como forma de atacar o desafio de escalabilidade derivado deste contexto, há trabalhos que propõem a utilização de um número reduzido de permissões, como é o caso do SigPID. Neste trabalho, apresentamos um passo inicial na realização do (a) mapeamento das permissões mais recorrentes em trabalhos existentes; (b) mapeamento dos requisitos para a reprodução do SigPID; e (c) implementação e avaliação dos métodos de aprendizagem do SigPID, utilizando um dataset publicamente disponível. Nós comparamos o trabalho original do SigPID, que utiliza 22 permissões, com as 32 permissões identificadas como mais recorrentes; as 113 permissões do dataset público escolhido; e as 22 permissões (contidas no dataset) consideradas perigosas pela Google. Nosso estudo inicial indica que o número de permissões impacta o tempo de treinamento e execução, bem como a acurácia dos modelos. Entretanto, o tempo de execução pode não ser significativo a ponto de justificar um número menor de permissões para detecção de malwares em tempo de instalação do APK (e.g., no próprio smartphone do usuário final).

Palavras-chave: permissões, malwares, Android, aprendizagem de máquina, SigPID

Referências

Alsoghyer, S. and Almomani, I. (2020). On the effectiveness of application permissions for android ransomware detection. In 2020 6th Conference on Data Science and Machine Learning Applications (CDMA), pages 94–99.

Amidi, A. and Amidi, S. (2020). Machine learning tips and tricks cheatsheet. AYsan, A. I. and sen, S. (2015). Api call and permission based mobile malware detection (in english). In 2015 23nd Signal Processing and Communications Applications Conference (SIU), pages 2400–2403.

Bayazit, E. C., Sahingoz, O. K., and Dogan, B. (2020). Malware detection in android In 2020 International systems with traditional machine learning models: a survey. Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), pages 1–8. IEEE.

Chakkaravarthy, S. S., Sangeetha, D., and Vaidehi, V. (2019). A survey on malware analysis and mitigation techniques. Computer Science Review, 32:1–23.

Gyam, N. K. and Owusu, E. (2018). Survey of mobile malware analysis, detection techniques and tool. In 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), pages 1101–1107. IEEE.

Idrees, F., Rajarajan, M., Conti, M., Chen, T. M., and Rahulamathavan, Y. (2017). Pindroid: A novel android malware detection system using ensemble learning methods. Computers & Security, 68:36–46.

James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An introduction to statistical learning, volume 112. Springer.

Li, J., Sun, L., Yan, Q., Li, Z., Srisa-an, W., and Ye, H. (2018). Signicant permission identication for machine-learning-based android malware detection. IEEE Transactions on Industrial Informatics, 14(7):3216–3225.

Lopez, C. C. U. and Cadavid, A. N. (2016). Machine learning classiers for android malware analysis. In 2016 IEEE Colombian Conference on Communications and Computing (COLCOM), pages 1–6.

Martín, A., Lara-Cabrera, R., and Camacho, D. (2019). Android malware detection through hybrid features fusion and ensemble classiers: The andropytool framework and the omnidroid dataset. Information Fusion, 52:128–142.

Peiravian, N. and Zhu, X. (2013). Machine learning for android malware detection using permission and api calls. In 2013 IEEE 25th international conference on tools with articial intelligence, pages 300–305. IEEE.

Sangal, A. and Verma, H. K. (2020). A static feature selection-based android malware In 2020 International Conference on detection using machine learning techniques. Smart Electronics and Communication (ICOSEC), pages 48–51.

Sharma, T. and Rattan, D. (2021). Malicious application detection in android-a systematic literature review. Computer Science Review, 40:100373.

Soares, T., Siqueira, G., Barcellos, L., Sayyed, R., Vargas, L., Rodrigues, G., Assolin, J., Pontes, J., and Kreutz, D. (2021). Detecção de malwares android: datasets e reprodutibilidade. https://arxiv.kreutz.xyz/mh21_reprodutibilidade.pdf.

Sun, L., Li, Z., Yan, Q., Srisa-an, W., and Pan, Y. (2016). Sigpid: signicant permission identication for android malware detection. In 2016 11th international conference on malicious and unwanted software (MALWARE), pages 1–8. IEEE.

Tam, K., Feizollah, A., Anuar, N. B., Salleh, R., and Cavallaro, L. (2017). The evolution of android malware and android analysis techniques. ACM Computing Surveys (CSUR), 49(4):1–41.

Wang, W., Wang, X., Feng, D., Liu, J., Han, Z., and Zhang, X. (2014). Exploring permission-induced risk in android applications for malicious application detection. IEEE Transactions on Information Forensics and Security, 9(11):1869–1882.

Wu, Q., Zhu, X., and Liu, B. (2021). A survey of android malware static detection technology based on machine learning. Mobile Information Systems, 2021.

Yildiz, O. and Dogru, I. A. (2019). Permission-based android malware detection system using feature selection with genetic algorithm. International Journal of Software Engineering and Knowledge Engineering, 29(02):245–262.