ارائه روشی برای شناسایی بدافزارهای اندروید با استفاده از یادگیری جمعی

رشد سریع اکوسیستم اندروید در کنار محبوبیت گسترده آن، زمینه‌ساز افزایش چشمگیر تهدیدات بدافزاری با پیچیدگی‌های روزافزون شده است. تکیه بر روش‌های سنتی مبتنی بر امضا، به دلیل ناتوانی در مقابله با تکنیک‌هایی نظیر مبهم‌سازی کد، تغییرپذیری بدافزارها و حملات روز صفر، دیگر پاسخگوی نیازهای امنیتی نیست. در این تحقیق، رویکردی نوین مبتنی بر یادگیری جمعی چندلایه ارائه می‌شود که از معماری استکینگ برای بهبود دقت شناسایی بدافزارهای اندرویدی بهره می‌گیرد. چارچوب پیشنهادی بر مبنای چهار الگوریتم پایه متنوع، شامل ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی و xgboost است. پیش‌بینی‌های این طبقه‌بندها در مرحله بعد به یک فرایادگیرنده ماشین بردار پشتیبان منتقل می‌شوند تا تصمیم نهایی استخراج گردد. برای ارزیابی روش پیشنهادی، از مجموعه داده جامع kronodroid بهره گرفته شده است. این مجموعه داده زمان‌محور، شامل نمونه‌های گردآوری‌شده از هر دو محیط واقعی و شبیه‌سازی‌شده است. نتایج حاصل نشان می‌دهند که مدل پیشنهادی ما در تشخیص بدافزار، به دقت 99 درصد در دستگاه‌های واقعی و 100 درصد در داده‌های شبیه‌سازی‌شده دست یافته است؛ عملکردی که به طور معناداری از هر یک از طبقه‌بندهای پایه به صورت مستقل، فراتر می‌رود. دستاورد این پژوهش می‌تواند به عنوان یک گام عملی در توسعه سامانه‌های پیشرفته امنیت سایبری موبایل محسوب شود و چارچوبی توانمند برای مقابله با تهدیدات نوین اندرویدی فراهم آورد.

a method for android malware detection using ensemble learning

the rapid growth of the android ecosystem, along with its widespread popularity, has led to a significant increase in malware threats with ever-growing complexity. reliance on traditional signature-based methods is no longer sufficient to meet security demands, due to their inability to counter techniques such as code obfuscation, malware polymorphism, and zero-day attacks. in this paper, a novel multilayer ensemble learning approach is proposed, leveraging a stacking architecture to enhance the accuracy of android malware detection. the proposed framework is built upon four diverse base algorithms, namely support vector machine, decision tree, random forest, and xgboost. the predictions of these classifiers are then fed into a meta-learner support vector machine to derive the final decision. for evaluation, the kronodroid dataset was utilized. this time-aware dataset contains samples collected from both real and emulated environments. the results demonstrate that our proposed model achieves 99% accuracy in real devices and 100% in emulated data—performance that significantly surpasses each of the individual base classifiers. this contribution can be regarded as a practical step toward the development of advanced mobile cybersecurity systems, providing a robust framework to counter emerging android threats.