شناسایی بدافزارهای هوشمند موبایل ۲۰۲۲
Intelligent Mobile Malware Detection 2022

محبوبیت تلفن‌های همراه اندرویدی، باعث شده تا مجرمان سایبری بیشتری به تولید برنامه‌های مخرب (Malware) روی آورند که فعالیت‌های شرورانه گوناگونی را انجام می‌دهند. حملاتی که پس از همه‌گیری COVID-19 شدت گرفتند، اهمیت حفاظت از دستگاه‌های تلفن همراه اندرویدی در برابر حملات بدافزار را به خوبی نشان دادند. کتاب «تشخیص هوشمند بدافزارهای موبایل» به کاربران آموزش می‌دهد که چگونه با استفاده از مدل‌های مختلف گراف و تصادفی، مکانیزم‌های هوشمند تشخیص بدافزار اندروید را توسعه دهند.

کتاب با مقدمه‌ای بر سیستم عامل اندروید آغاز می‌شود و به محدودیت‌های مکانیزم‌های پیشرفته تشخیص بدافزار ایستا و همچنین ارائه مفصل یک مکانیزم ترکیبی تشخیص بدافزار می‌پردازد. سپس، متن به معرفی چهار مکانیزم مختلف تشخیص بدافزار پویای اندروید مبتنی بر فراخوانی سیستم با استفاده از معیارهای مرکزیت گراف، پردازش سیگنال گراف و شبکه‌های کانولوشن گراف می‌پردازد. افزون بر این، متن نشان می‌دهد که چگونه بیشتر بدافزارهای اندرویدی را می‌توان با بررسی وجود یک زیررشته منحصر به فرد از فراخوانی‌های سیستمی در دنباله فراخوانی‌های سیستمی آن شناسایی کرد.

تمام مکانیزم‌های تشخیص بدافزار ارائه شده در این کتاب، بر اساس تحقیقات اخیر نویسندگان است. آزمایش‌ها با جدیدترین نمونه‌های بدافزار اندروید انجام شده و نمونه‌های بدافزار از مخازن عمومی جمع‌آوری شده‌اند. کدهای منبع نیز برای پیاده‌سازی آسان مکانیزم‌ها ارائه شده‌اند. این کتاب برای محققان بدافزارهای اندروید، توسعه‌دهندگان، دانشجویان و متخصصان امنیت سایبری بسیار مفید خواهد بود تا مکانیزم‌های دفاعی را در برابر بدافزارهای اندروید که دائماً در حال تکامل هستند، کشف و ایجاد کنند.

The popularity of Android mobile phones has caused more cybercriminals to create malware applications that carry out various malicious activities. The attacks, which escalated after the COVID-19 pandemic, proved there is great importance in protecting Android mobile devices from malware attacks. Intelligent Mobile Malware Detection will teach users how to develop intelligent Android malware detection mechanisms by using various graph and stochastic models. The book begins with an introduction to the Android operating system accompanied by the limitations of the state-of-the-art static malware detection mechanisms as well as a detailed presentation of a hybrid malware detection mechanism. The text then presents four different system call-based dynamic Android malware detection mechanisms using graph centrality measures, graph signal processing and graph convolutional networks. Further, the text shows how most of the Android malware can be detected by checking the presence of a unique subsequence of system calls in its system call sequence. All the malware detection mechanisms presented in the book are based on the authors’ recent research. The experiments are conducted with the latest Android malware samples, and the malware samples are collected from public repositories. The source codes are also provided for easy implementation of the mechanisms. This book will be highly useful to Android malware researchers, developers, students and cyber security professionals to explore and build defense mechanisms against the ever-evolving Android malware.