تشخیص بدافزارهای اندرویدی با الگوریتم فاخته و شبکه عصبی

مقدمه

تشخیص بدافزارهای اندرویدی با الگوریتم فاخته و شبکه عصبی، رویکردی نوین برای مقابله با تهدیدات امنیتی در گوشی‌های هوشمند است. با گسترش استفاده از دستگاه‌های اندرویدی برای امور روزمره مانند بانکداری و خرید آنلاین، بدافزارها نیز به‌سرعت افزایش یافته‌اند. این پایان نامه با استفاده از تحلیل ایستا مبتنی بر مجوزها، الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، ماشین بردار پشتیبان (SVM)، و ترکیب الگوریتم فاخته و شبکه عصبی، به دقت ۹۹٫۰۶% در تشخیص بدافزارهای اندرویدی دست یافته است.

اهمیت تشخیص بدافزارهای اندرویدی

بدافزارها، کدهای مخربی هستند که با اهداف مختلفی مانند سرقت اطلاعات یا نمایش تبلیغات ناخواسته، امنیت کاربران را تهدید می‌کنند. سیستم‌عامل اندروید به دلیل متن‌باز بودن و محبوبیت بالا، هدف اصلی این تهدیدات است. تحلیل ایستا، با استخراج ویژگی‌هایی مانند مجوزهای دسترسی از فایل AndroidManifest، امکان تشخیص بدافزارها را بدون نیاز به اجرای برنامه فراهم می‌کند و نسبت به تحلیل پویا، سبک‌تر و سریع‌تر است.

روش پیشنهادی

روش پیشنهادی شامل مراحل زیر است:

1. جمع‌آوری داده‌ها: دانلود برنامه‌های سالم از Google Play و برنامه‌های مخرب از منابع معتبر.

2. پیش‌پردازش: دیکامپایل برنامه‌ها با APK-Tool و استخراج مجوزها به‌عنوان ویژگی‌ها.

3. انتخاب ویژگی: استفاده از PSO و SVM برای کاهش ابعاد و انتخاب ویژگی‌های بهینه.

4. طبقه‌بندی: بهره‌گیری از  الگوریتم فاخته و شبکه عصبی برای طبقه‌بندی دقیق برنامه‌های مخرب و سالم.

5. ارزیابی: آزمایش مدل با دقت ۹۹٫۰۶% و مقایسه با روش‌های مشابه.

نوآوری و مزایا

این روش با کاهش ویژگی‌های غیرضروری و استفاده از الگوریتم فاخته برای بهبود شبکه عصبی، سرعت همگرایی و دقت را افزایش داده و نرخ هشدارهای نادرست را کاهش می‌دهد. این رویکرد سبک و کارآمد، مناسب دستگاه‌های با منابع محدود است.

نتیجه‌گیری

تشخیص بدافزارهای اندرویدی با این روش، راهکاری مؤثر برای افزایش امنیت دستگاه‌های هوشمند ارائه می‌دهد. با دقت بالا و مصرف منابع کم، این مدل می‌تواند در حفاظت از کاربران اندروید نقش کلیدی ایفا کند.