تشخیص بدافزار در سیستم عامل اندروید با استفاده از شبکه عصبی کانولوشن و شبکه حافظه طولانی کوتاه‌مدت

استفاده از تلفن‌های همراه با سیستم‌عامل اندروید روز به‌روز در حال گسترش است. سیستم‌عامل اندروید به‌خودی خود ابزار قدرتمندی برای تشخیص بدافزار ندارد. از این‌رو، مهاجمان به‌راحتی از طریق گوشی تلفن همراه افراد وارد حریم خصوصی آنها شده و آنها را در معرض خطر جدی قرار می‌دهند. تاکنون تحقیقات زیادی بر روی تشخیص بدافزار صورت گرفته است. یکی از مشکلات عمده این راهکارها، دقت پایین در تشخیص چند کلاسه روی مجموعه داده‌ها و یا عدم حصول نتیجه مطلوب در هر دو نوع تشخیص دودویی و چند کلاسه است. در این مقاله با استفاده از شبکه عصبی کانولوشن (cnn) و تغییر در تعداد لایه‌های مختلف، سعی کرده‌ایم تا حداکثر تعداد ویژگی‌های مهم را از مجموعه داده استخراج نماییم. در فاز طبقه‌بندی داده‌ها نیز از الگوریتم یادگیری شبکه حافظه طولانی کوتاه‌مدت (lstm) استفاده می‌کنیم تا با آزمایش آن بر روی ویژگی‌های انتخاب شده، داده‌ها با حداکثر دقت ممکن طبقه‌بندی شوند. نتایج آزمایش بر روی مجموعه داده جدید malmemanalysis-2022 نشان می‌دهد که استفاده از این دو الگوریتم و تغییر در تعداد لایه‌ها می‌تواند در بهترین حالت به‌ترتیب منجر به دقت‌های 99.99% و 99/71% در دسته-بندی دودویی و چند کلاسه در تشخیص بدافزار شود که نسبت به روش‌های موجود برتری دارد.

malware detection in android operating system using convolutional neural network and long short-term memory network

the use of mobile phones with android operating system is expanding day by day. android itself does not have a powerful malware detection tool. therefore, attackers easily enter people’s privacy through their mobile phones and put them at serious risk. so far, a lot of research has been done on malware detection. one of the main problems of these solutions is the low accuracy in multi-class detection on the dataset or the failure to achieve the desired result in both types of binary and multi-class detection. in this paper, by using convolutional neural network (cnn) and changing the number of different layers, we have tried to extract the maximum number of important features from the dataset. in the data classification phase, we use the deep learning-based algorithm named long short-term memory (lstm) to classify the data with the maximum possible accuracy by testing it on the selected features. the test results on the new malmemanalysis-2022 dataset show that the use of these two algorithms and the change in the number of layers can lead to 99.99% and 99.71% accuracies in binary and multi-class classification in malware detection, respectively, which is superior to existing methods.