Dataset generation and machine learning approaches for Android malware detection

Résumé

Les logiciels malveillants sont de plus en plus complexes et nombreux sur Android. Face à cette complexité et présence grandissantes, les méthodes d’apprentissage automatique sont de plus en plus utilisées pour aider les systèmes Android à détecter ces logiciels. Cet apprentissage machine se construit sur des modèles de comportements dynamiques et/ou de caractéristiques statiques des apps Android. La présente thèse s’articule autour de l’analyse statique d’apps Android pour l’extraction de métriques pertinentes pour la détection de logiciels malveillants par apprentissage machine. L’accès à des bancs d’essais de qualité peut constituer un frein à la proposition d’approches d’apprentissage machine efficaces. En premier abord, le travail présenté dans ce document a donc consisté en la proposition de scripts qui appliquent diverses analyses statiques sur une app et en extraient une suite de métriques inspirées de divers travaux de la littérature. De plus, nous proposons sur cette base un banc d’essai de plus de 17000 apps pour l’évaluation d’approches d’apprentissage machine. Le présent travail comprend également des expériences d’apprentissage automatique menées en utilisant des stratégies de classification qui définissent les caractéristiques statiques légitimes des applications bénignes en opposition à celles des applications malveillantes. En général, les applications bénignes partagent des caractéristiques similaires, tandis que les applications malveillantes présentent des caractéristiques anormales. En nous appuyant sur les jeux de données développés, nous proposons et testons les performances de divers modèles de classification dans la détection des applications malveillantes. Les modèles testés incluent des classificateurs courants, ainsi que des modèles plus avancés de Support Vector Machine et Deep Learning, dont les hyperparamètres ont été réglés pour améliorer la précision et l’efficacité de la détection des logiciels malveillants. Enfin, nous avons examiné sur la base des permissions Android, les divergences possibles de patterns d’utilisation entre les applications bénignes et les logiciels malveillants et ce, selon diverses catégories d’apps.

Date	30 avr. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Sègla Jean-Luc Kpodjedo (Directeur(-trice)) & Chamseddine Talhi (Codirecteur(-trice))