ADBuilder: uma Ferramenta de Construção de Datasets para Detecção de Malwares Android

• Lucas Vilanova UNIPAMPA http://orcid.org/0000-0002-7930-1097
• Diego Kreutz UNIPAMPA https://orcid.org/0000-0003-0830-0238
• Joner Assolin UFAM https://orcid.org/0000-0001-8517-6600
• Vagner Quincozes UNIPAMPA https://orcid.org/0000-0002-6688-5572
• Charles Miers UDESC https://orcid.org/0000-0002-1976-0478
• Rodrigo Mansilha UNIPAMPA https://orcid.org/0000-0002-2083-653X
• Eduardo Feitosa UFAM https://orcid.org/0000-0001-6401-3992

DOI: https://doi.org/10.5753/sbseg_estendido.2022.227038

Resumo

A maioria dos datasets existentes possuem um número limitado ou defasado de amostras, o que compromete o treinamento de modelos para detecção de malwares Android. Na literatura existem alguns trabalhos que propõem a construção de datasets, porém, nenhum deles suficientemente definido e integrado a ponto de entregar de forma automatizada e sistematizada um dataset ao usuário. Neste trabalho, propomos a ferramenta ADBuilder, que permite a construção integrada, automatizada e sistematizada de datasets atualizados para o domínio de detecção de malwares Android. A ADBuilder é constituída de quatro módulos independentes, sendo cada módulo composto por um conjunto de ferramentas ou serviços necessários para a construção de datasets atualizados.

Palavras-chave: Ferramenta para Android datasets, Ferramenta para construção de datasets, Ferramenta para Detecção de Malwares Android, Construção de Android datasets, ADBuilder

Referências

Allix, K., Bissyandé, T. F., Klein, J., and Le Traon, Y. (2015). Are your training datasets yet relevant? In ESSoS, pages 51–67. Springer.

Catak, F. and Yazi, A. (2019). A benchmark api call dataset for windows pe malware classification. arXiv e-prints, pages arXiv–1905.

Düzgün, B., Cayr, A., Demirkran, F., Kayha, C. N., Gencaydn, B., and Dag, H. (2021). New datasets for dynamic malware classification. arXiv preprint arXiv:2111.15205.

Lashkari, A. H., Kadir, A. F. A., Taheri, L., and Ghorbani, A. A. (2018). Toward developing a systematic approach to generate benchmark android malware datasets and classification. In ICCST, pages 1–7. IEEE.

Mahindru, A. and Sangal, A. (2020). Somdroid: Android malware detection by artificial neural network trained using unsupervised learning. Evolutionary Intelligence.

Pan, Y., Ge, X., Fang, C., and Fan, Y. (2020). A systematic literature review of android malware detection using static analysis. IEEE Access, 8:116363–116379.

Pontes, J., Costa, E., Rocha, V., Neves, N., Feitosa, E., Assolin, J., and Kreutz, D. (2021). Ferramentas de extração de características para análise estática de aplicativos android. In WRSeg21.

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 empírico da disponibilidade e da atualização das fontes de dados. In WRSeg21.

Soares, T., Siqueira, G., Barcellos, L., Sayyed, R., Vargas, L., Rodrigues, G., Assolin, J., Pontes, J., Feitosa, E., and Kreutz, D. (2021b). Detecção de Malwares Android: datasets e reprodutibilidade. In WRSeg21.

Wang, H., Si, J., Li, H., and Guo, Y. (2019). Rmvdroid: towards a reliable android malware dataset with app metadata. In IEEE/ACM 16th MSR, pages 404–408. IEEE.