Un Framework de sécurité pour détecter les malwares Android

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Les systèmes de détection des malwares ont fait l’objet de nombreuses recherches et jouent un rôle important dans la cybersécurité. L’objectif de cette étude est de modéliser un tel système pour aider les administrateurs et les utilisateurs du système à détecter et à identifier toute violation de la sécurité dans leur organisation afin de les prévenir avant de causer des dommages. Pour cela, nous avons étudié les performances des méthodes d’apprentissage machine (ML) appliquées à la détection des malwares pour la cybersécurité. Ensuite, nous avons appliqué une technique de détection basée sur une approche d’apprentissage profond, un réseau neuronal convolutif (CNN) pour détecter les malwares dans les connexions réseau. Nous avons évalué laméthode proposée avec l’ensemble de données CIC-AAGM2017de référence pour la détection des malwares sur les réseaux. Nous avons également présenté une étude comparative avec des autres algorithmes d’apprentissage automatique de référence, en utilisant différentes mesures appliquées pour l’évaluation des performances d’apprentissage machine (Précision, Rappel, score F1), et deux autres indicateurs de performance importants pour la détection des malwares (taux de détection, taux de fausses alarmes). Les résultats expérimentaux ont montré que les performances de cette approche DL proposée sont supérieures à celles des algorithmes ML traditionnels en tant que modèles de détection avec une grande précision, un taux de détection idéale et un taux de fausses alarmes négligeable.

روابط وملفات

التعريف والنوع

رقم الوثيقة

eb811832-7329-46f0-b59f-18fce36dd665

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

ماستر (LMD)

نوع الملف

pdf text

أسماء الملفات

2166895_1.pdf

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"Cherifi Abd erraouf","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"Ferrag Med Amine","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

French

المصدر والدورية

اسم المصدر

Un Framework de sécurité pour détecter les malwares Android

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

Malware detection systems have been the subject of much research and play an important role in cybersecurity. The objective of this study is to model such a system to help system administrators and users detect and identify any security violations in their organization in order to prevent them before causing damage. For this purpose, we studied the performance of machine learning (ML) methods applied to malware detection for cybersecurity. Then, we applied a detection technique based on a deep learning approach, a convolutional neural network (CNN) to detect malware in network connections. We evaluated the proposed method with the benchmark CIC-AAGM2017dataset for network malware detection. We also presented a comparative study with other benchmark machine learning algorithms, using different metrics applied for machine learning performance evaluation (Accuracy, Recall, F1 score), and two other important performance indicators for malware detection (detection rate, false alarm rate). The experimental results showed that the performance of this proposed DL approach is superior to traditional ML algorithms as detection models with high accuracy, ideal detection rate, and negligible false alarm rate.

كلمات الباحثين

Cybersécurité, Système de détection des malwares, L’apprentissage profond, L’apprentissage automatique, Machine learning, CIC-AAGM2017.

إشراف وإعداد

الإشراف

Ferrag Med Amine

الإعداد

Cherifi Abd erraouf

الاقتباسات الببليوغرافية