[論文レビュー] A Review on The Use of Deep Learning in Android Malware Detection

Abdelmonim Naway, Yuancheng Li|arXiv (Cornell University)|Dec 26, 2018

Advanced Malware Detection Techniques参考文献 10被引用数 52

ひとこと要約

Androidマルウェア検出に深層学習を適用した方法の調査で、静的、動的、ハイブリッド分析アプローチ、主要概念、貢献、制限を網羅する。

ABSTRACT

Android is the predominant mobile operating system for the past few years. The prevalence of devices that can be powered by Android magnetized not merely application developers but also malware developers with criminal intention to design and spread malicious applications that can affect the normal work of Android phones and tablets, steal personal information and credential data, or even worse lock the phone and ask for ransom. Researchers persistently devise countermeasures strategies to fight back malware. One of these strategies applied in the past five years is the use of deep learning methods in Android malware detection. This necessitates a review to inspect the accomplished work in order to know where the endeavors have been established, identify unresolved problems, and motivate future research directions. In this work, an extensive survey of static analysis, dynamic analysis, and hybrid analysis that utilized deep learning methods are reviewed with an elaborated discussion on their key concepts, contributions, and limitations.

研究の動機と目的

• Androidマルウェアの増加と効果的な検出方法の必要性に対処して研究を動機づける。
• Androidマルウェアの静的、動的、ハイブリッド分析にわたる深層学習の適用を要約・分類する。
• 未解決の問題を特定し、DLを用いたAndroidマルウェア検出の今後の研究を示唆する方向性を提案する。

提案手法

• Androidマルウェア検出への深層学習適用を対象とした系統的文献調査。
• DLを用いる静的分析、動的分析、ハイブリッド分析アプローチの詳説。
• レビュー研究の主要概念、貢献、制限の議論。

実験結果

リサーチクエスチョン

• RQ1 Androidマルウェア検出における静的分析で使用される主な DL ベースのアプローチは何で、それらの利点/弱点は何か？
• RQ2 Androidマルウェア検出の動的分析に適用されるDL技術は何か、どのような制限があるか？
• RQ3 Androidマルウェア検出のハイブリッドDLベース戦略にはどのようなものが存在し、どこにギャップが残っているか？
• RQ4 DL対応のAndroidマルウェア検出における一般的な制限と未解決問題は何か、将来の方向性は何が示唆されているか？

主な発見

• 静的、動的、ハイブリッド分析全体でAndroidマルウェアを検出するためにDLが適用されており、さまざまなDLアーキテクチャ（例：ニューラルネットワーク）も検討されている。
• 研究は検出能力の向上を報告しているが、特徴抽出、データセットの品質、モデルの頑健性などの課題に直面している。
• 制限には未知のマルウェアファミリーへの一般化、回避手法、およびモバイルデバイス上の計算資源の制約が含まれる。
• 標準化されたベンチマーク、堅牢な特徴表現、および複数の分析モダリティを組み合わせたハイブリッドアプローチの必要性を強調している。
• 進展にもかかわらず、実用的で拡張可能なDLベースのAndroidマルウェア検出器を進めるにはなお多くの未解決問題が残っている。