Kötü amaçlı android tabanlı yazılım tespitinin güncel meta-sezgisel algoritmalar ile karşılaştırmalı analizi
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Siirt Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde Android kötü amaçlı yazılım tehdit ve saldırıları, kullanımları ve popülerlikleri nedeniyle hızla artmaktadır. Bu nedenle, kötü amaçlı yazılımları etkili bir şekilde tespit edebilecek sistemlere olan ihtiyaç da gün geçtikçe artmaktadır. Bu amaçla bu çalışmada, Android kötü amaçlı yazılımın tespitinin performansını artırmak için trend olan çeşitli meta-sezgisel algoritmaların optimum özellik seçim (FS) yöntemleri olarak kullanılması önerilmektedir. Bu bağlamda, bu çalışmada Yapay Arı Kolonisi Algoritması (ABC), Ateş Böceği Algoritması (FA), Gri Kurt Optimizasyonu (GWO), Karınca Aslanı Optimizasyonu (ALO), Karga Arama Algoritması (CSA), Sinüs Kosinüs Algoritması (SCA), Balina Optimizasyon Algoritması (WOA), Salp Sürü Algoritması (SSA), Harris Şahin Optimizasyonu (HHO) ve Kelebek Optimizasyonu Algoritması (BOA) gibi özellik seçiminde en öne çıkan on güncel meta-sezgisel algoritma (RMA) kullanılmıştır. Bu algoritmaların verimliliği, Android uygulamalarının iyi bilinen iki veri kümesi (Drebin-215 ve MalGenome-215) üzerinde beş farklı makine öğrenmesi (ML) yöntemi ile değerlendirilmiştir. Ayrıca, elde edilen sonuçlar, bu problemin çözümünde yaygın olarak kullanılan ve iyi bilinen beş geleneksel meta-sezgisel algoritma (CMA); Genetik Algoritma (GA), Parçacık Sürü Optimizasyonu (PSO), Benzetilmiş Tavlama (SA) , Karınca Kolonisi Optimizasyonu (ACO) ve Diferansiyel Gelişim (DE) ile de karşılaştırılmıştır. Kapsamlı deneysel sonuçlar, RMA'nın Android kötü amaçlı yazılım tespitine dahil edilmesinin değerli bir yaklaşım olduğunu göstermektedir.
Today, Android malware threats and attacks are rapidly increasing due to their use and popularity. Therefore, the need for systems effectively detecting malware is also increasing day by day. This study proposes the use of various trending meta-heuristic algorithms with encapsulation method for optimal feature selection (FS) in Android malware detection. For this purpose, in this study, Artificial Bee Colony Algorithm (ABC), Firefly Algorithm (FA), Grey Wolf Optimization (GWO), Antlion Optimization (ALO), Crow Search Algorithm (CSA), Sine Cosine Algorithm (SCA), Whale Optimization. The ten most prominent current meta-heuristic algorithms (RMA) were used in feature selection, such as algorithm (WOA), Salp Swarm Algorithm (SSA), Harris Hawk Optimization (HHO) and Butterfly Optimization Algorithm (BOA). The efficiency of these algorithms is evaluated with five different machine learning (ML) methods on two well-known datasets of Android applications (Drebin-215 and MalGenome-215). In addition, the obtained results are based on five well-known traditional metaheuristic algorithms (CMA), which are widely used in solving this problem; It has also been compared with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Simulation Annealing (SA), Ant Colony Optimization (ACO) and Differential Evolution (DE). Extensive experimental results show that incorporating RMA into Android malware detection is a valuable approach.
Today, Android malware threats and attacks are rapidly increasing due to their use and popularity. Therefore, the need for systems effectively detecting malware is also increasing day by day. This study proposes the use of various trending meta-heuristic algorithms with encapsulation method for optimal feature selection (FS) in Android malware detection. For this purpose, in this study, Artificial Bee Colony Algorithm (ABC), Firefly Algorithm (FA), Grey Wolf Optimization (GWO), Antlion Optimization (ALO), Crow Search Algorithm (CSA), Sine Cosine Algorithm (SCA), Whale Optimization. The ten most prominent current meta-heuristic algorithms (RMA) were used in feature selection, such as algorithm (WOA), Salp Swarm Algorithm (SSA), Harris Hawk Optimization (HHO) and Butterfly Optimization Algorithm (BOA). The efficiency of these algorithms is evaluated with five different machine learning (ML) methods on two well-known datasets of Android applications (Drebin-215 and MalGenome-215). In addition, the obtained results are based on five well-known traditional metaheuristic algorithms (CMA), which are widely used in solving this problem; It has also been compared with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Simulation Annealing (SA), Ant Colony Optimization (ACO) and Differential Evolution (DE). Extensive experimental results show that incorporating RMA into Android malware detection is a valuable approach.
Açıklama
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
