Chƣơng này đã trình bày chi tiết các bƣớc chuẩn bị cũng nhƣ cài đặt để từ đó thực nghiệm và đánh giá kết quả của phƣơng pháp dựa trên chƣơng trình cài đặt với bộ dữ liệu thu thập đƣợc.
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Kết luận
Luận văn đã nghiên cứu, tìm hiểu mô hình SVM và ứng dụng thành công vào bài toán phát hiện khả năng rò rỉ thông tin riêng tƣ trong các ứng dụng Android. Việc cài đặt đƣợc hiệu quả tốt với bộ dữ liệu thu thập đƣợc. Một số các kết quả chính mà luận văn đạt đƣợc nhƣ sau:
- Luận văn đã tìm hiểu, nghiên cứu và trình bày các kiến thức liên quan đến nền tảng Android, các cơ chế hoạt động cũng nhƣ các mức bảo mật của hệ thống Android.
- Luận văn đã xây dựng thành công mô hình SVM với hai đặc trƣng đã trình bày trong Chƣơng 3 cho bài toán phát hiện khả năng rò rỉ thông tin trong các ứng dụng Android.
- Luận văn sử dụng ngôn ngữ lập trình Python để cài đặt thực nghiệm ứng dụng mô hình SVM cho bài toán và đạt kết quả chính xác cao trên bộ dữ liệu thu thập đƣợc.
Hƣớng phát triển
Bên cạnh những kết quả đạt đƣợc, hạn chế lớn nhất là mới chỉ dừng lại ở mức thực nghiệm cho bài toán trên một bộ dữ liệu đã đƣợc thu thập sẵn, khá tốt, nên kết quả có độ chính xác cao. Trong tƣơng lai, chúng tôi sẽ tập trung giải quyết một số vấn đề:
- Nghiên cứu và sử dụng nhiều hơn 2 đặc trƣng cho mô hình SVM dự đoán;
- Tiếp thực nghiên cứu thêm các mô hình dự đoán khác để lựa chọn mô hình cho kết quả cao hơn SVM;
DANH MỤC TÀI LIỆU THAM KHẢO
[1]. Seo, S.-H., Gupta, A., Sallam, A. M., Bertino, E., and Yim, K. (2014). Detecting mobile malware threats to homeland security through static analysis. Journal of Network and Computer Applications, 38:43–53.
[2]. Application fundamentals — android developers.
http://developer.android.com/guide/components/fundamentals.html. Accessed April 19, 2015.
[3] Arp, D., Spreitzenbarth, M., H¨ubner, M., Gascon, H., Rieck, K., and Siemens, C. (2014). Drebin: Effective and explainable detection of android malware in your pocket. In Proc. of NDSS
[4].Anthony Desnos. androguard.( https://code.google.com/p/androguard/) [5]. Koli, J. D. (2018). RanDroid: Android malware detection using random
machine learning classifiers. In: International Conference on Technologies for Smart City Energy Security and Power (ICSESP) IEEE, Mar 2018.
[6]. Agrawal, P., & Trivedi, B. (2019). A survey on android malware and their detection techniques. In: Third International Conference on Electrical, Computer and Communication Technologies (ICECCT) IEEE, Feb 2019.
[7]. Agrawal, Prerna, & Trivedi, Bhushan. (2019). Analysis of android malware scanning tools. International Journal of Computer Sciences and Engineering, 7(3), 807–810.
[8]. Kumaran, M., & Li, W. (2016). Lightweight malware detection based on machine learning algorithms and the android manifest file. In: MIT
Undergraduate Research Technology Conference(URTC) IEEE, Nov 2016.
[9]. Leeds, M., & Atkison, T. (2016). Preliminary results of applying machine learning algorithms to android malware detection. In: International Conference on Computational Intelligence (ICCI) IEEE, Dec 2016. [10]. Dutt, S., Chanframouli, S., & Das, A. K. (2019). Machine Learning 1st
(Ed.), India: Pearson.
[11]. Aung, Z., & Zaw, W. (2013). Permission-based android malware detection. International Journal of Scientific and Technology Research, 2(3).
[12]. Ham, H. S., & Choi, M. J. (2013). Analysis of android malware detection performance using machine learning classifiers. In: International Conference on ICT Convergence (ICTC) IEEE, Oct 2013.
[13]. Chang, W. L., & Wu, W. (2016). An android behaviour-based malware detection method using machine learning. In: International Conference on Signal Processing, Communications, and Computing (ICSPCC) IEEE, Aug 2016.
[14]. Yu, W., & Zhang, H. (2013). On behaviour-based detection of malware on android platform. In: Communication and Information System Security Symposium (Globecom) IEEE, Dec 2013.
[15]. Wu, W. C., & Hung, S. H. (2014). DroidDolphin: A dynamic android malware detection using big data and machine learning. In: Research in Adaptive and Convergent Systems (RACS). ACM, Oct 2014.
[16]. Sahs, J., & Khan, L. (2012). A machine learning approach to android malware detection. In: European Intelligence and Security Informatics Conference (EISIC) IEEE, Aug 2012.