Journal des technologies de l'information et du génie logiciel
Libre accès

Abstrait

Apprentissage automatique pour identifier les logiciels malveillants iOS

Lisa Angelina

Les smartphones sont devenus un élément indispensable de notre vie quotidienne. Ils sont presque entièrement utilisés comme outil de communication, source d'information et source de plaisir sur le plan social, politique et économique. Les progrès rapides en matière d'information et de cybersécurité ont nécessité une attention particulière à la confidentialité et à la sécurité des données des smartphones. Des systèmes de détection de logiciels espions ont récemment été créés comme une option potentielle et attrayante pour la protection de la vie privée des utilisateurs de smartphones. Étant donné que le système d'exploitation Android est le plus utilisé au monde, il constitue une cible majeure pour divers groupes intéressés par les attaques contre la vie privée des utilisateurs de smartphones. Cette recherche présente un ensemble de données unique recueilli dans un cadre réaliste à l'aide d'une nouvelle approche de collecte de données basée sur une liste d'activités unifiée.

Les données sont séparées en trois catégories : trafic régulier des smartphones, données de trafic pour la procédure d'installation des logiciels espions et données de trafic d'exploitation des logiciels espions. L'approche de classification par forêt aléatoire a été utilisée pour vérifier cet ensemble de données et le modèle suggéré. Pour la catégorisation des données, deux approches ont été utilisées : la classification par classes binaires et la classification par classes multiples. En termes de précision, de bons résultats ont été obtenus. La précision moyenne totale pour la classification par classes binaires était de 79 % et de 77 % pour la classification par classes multiples.