| مشخصات مقاله | |
| ترجمه عنوان مقاله | SaaS: سیستم تحلیل و آگاهی موقعیتی برای تشخیص تروجان های عظیم اندرویدی |
| عنوان انگلیسی مقاله | SaaS: A situational awareness and analysis system for massive android malware detection |
| انتشار | مقاله سال ۲۰۱۹ |
| تعداد صفحات مقاله انگلیسی | ۳۶ صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | scopus – master journals – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
۵٫۳۴۱ در سال ۲۰۱۷ |
| شاخص H_index | ۸۵ در سال ۲۰۱۹ |
| شاخص SJR | ۰٫۸۴۴ در سال ۲۰۱۷ |
| شناسه ISSN | ۰۱۶۷-۷۳۹X |
| شاخص Quartile (چارک) | Q1 در سال ۲۰۱۷ |
| رشته های مرتبط | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
| گرایش های مرتبط | مهندسی نرم افزار – امنیت اطلاعات |
| نوع ارائه مقاله |
ژورنال |
| مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
| دانشگاه | School of Computer Science, China University of Geosciences, Wuhan, PR China |
| کلمات کلیدی | N-GRAM، یادگیری ماشین، هش فازی، GLCM، ابر |
| کلمات کلیدی انگلیسی | N-GRAM, Machine Learning, Fuzzy Hash, GLCM, Cloud |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2018.12.028 |
| کد محصول | E12024 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Outline Highlights Abstract Keywords ۱٫ Introduction ۲٫ Related work ۳٫ Preliminaries ۴٫ Proposed scheme — SaaS ۵٫ Experiment and performance evaluation ۶٫ Conclusion Acknowledgments References |
| بخشی از متن مقاله: |
| Abstract A large amount of mobile applications (Apps) are uploaded, distributed and updated in various Android markets, e.g., Google Play and Huawei AppGallery every day. One of the ongoing challenges is to detect malicious Apps (also known as malware) among those massive newcomers accurately and efficiently in the daily security management of Android App markets. Customers rely on those detection results in the selection of Apps upon downloading, and undetected malware may result in great damages. In this paper, we propose a cloud-based malware detection system called SaaS by leveraging and marrying multiple approaches from diverse domains such as natural language processing (n-gram), image processing (GLCM), cryptography (fuzzy hash), machine learning (random forest) and complex networks. We firstly extract n-gram features and GLCM features from an App’s smali code and DEX file, respectively. We next feed those features into training data set, to create a machine learning detect model. The model is further enhanced by fuzzy hash to detect whether inspected App is repackaged or not. Extensive experiments (involving 1495 samples) demonstrates that the detecting accuracy is more than 98.5%, and support a large-scale detecting and monitoring. Besides, our proposed system can be deployed as a service in clouds and customers can access cloud services on demand. |