بهبود دقت تشخیص بدافزار در سیستم‌عامل اندروید با انتخاب ویژگی مبتنی بر الگوریتم ژنتیک و الگوریتم‌های یادگیری ماشین

با توجه به رشد سریع سیستم‌عامل اندروید و افزایش روزافزون اپلیکیشن‌های ثالث، تهدیدات امنیتی به‌ویژه بدافزارهای اندرویدی به یکی از مهم‌ترین چالش‌های حوزه امنیت سایبری تبدیل شده است. در این پژوهش، رویکردی ترکیبی برای بهبود دقت تشخیص بدافزارهای اندرویدی ارائه گردید که در آن از انتخاب ویژگی مبتنی بر الگوریتم ژنتیک و سپس اعمال مدل‌های یادگیری ماشین استفاده شد. در مرحله نخست، ویژگی‌های کلیدی از مجموعه داده‌های مربوط به مجوزها و رفتار اپلیکیشن‌ها استخراج و با استفاده از الگوریتم ژنتیک بهینه‌سازی شدند. سپس چهار مدل یادگیری ماشین شامل جنگل تصادفی و ماشین بردار پشتیبان بر روی داده‌های انتخاب‌شده آموزش داده شدند. نتایج تجربی نشان داد که مدل جنگل تصادفی با دستیابی به دقت 98٪0. و امتیاز f1 بالا، عملکرد برتری نسبت به مدل‌ ماشین بردار پشتیبان داشته است. یافته‌های این پژوهش بیانگر آن است که ترکیب انتخاب ویژگی ژنتیک با مدل‌های یادگیری ماشین می‌تواند راهکاری کارآمد برای طراحی سامانه‌های سبک و دقیق در حوزه تشخیص بدافزار اندرویدی باشد.

improving malware detection accuracy on android operating system with feature selection based on genetic algorithm and machine learning algorithms

abstract due to the rapid growth of the android operating system and the increasing number of third-party applications, security threats, especially android malware, have become one of the most important challenges in the field of cybersecurity. in this study, a hybrid approach was presented to improve the accuracy of android malware detection, in which genetic algorithm-based feature selection and then machine learning models were applied. in the first stage, key features were extracted from the data set related to permissions and application behavior and optimized using the genetic algorithm. then, four machine learning models, including random forest and support vector machine, were trained on the selected data. experimental results showed that the random forest model performed better than the support vector machine model by achieving 98% accuracy and a high f1 score. the findings of this study indicate that combining genetic feature selection with machine learning models can be an efficient solution for designing lightweight and accurate systems in the field of android malware detection.