[논문 리뷰] Datasets of Android Applications: a Literature Review

Franz-Xaver Geiger, Ivano Malavolta|arXiv (Cornell University)|2018. 09. 26.

Advanced Malware Detection Techniques참고 문헌 27인용 수 12

한 줄 요약

이 문헌 고찰은 안드로이드 애플리케이션 데이터셋 31종을 식별하고 분류하며, 소스 코드 가용성, 버전 관리 접근성, APK 포함 여부, 앱 스토어 연결성 등의 특징을 평가한다. 연구 결과, 대부분의 데이터셋이 소스 코드나 버전 관리를 제공하지 않아 소프트웨어 공학 관행에 대한 연구를 제한하고 있음이 드러났으며, 이는 안드로이드 앱 분석 분야에서 증가하는 데이터 수요와 배치된 중요한 격차를 드러낸다.

ABSTRACT

Mobile phones and tablets have become the most widely used computing devices, with a large predominance of the Android platform. As a natural evolution, the development of Android applications has surged and has become a major field of study, with research efforts ranging from energy efficiency, to code smells, performance, maintainability, security, etc. These kind of challenges ask for dedicated solutions, tools, and datasets. This survey identifies and reviews 31 existing datasets of Android applications and classifies each of them according to key features, such as the total number of apps it contains, whether the commit history of the apps is available, whether it focusses on the source code or on the executable binaries of the apps, the sources used for building the dataset, etc. This study can benefit both the experienced and the novice researcher interested on doing research on Android apps, which can use the results of our study as a map for identifying the most suitable datasets for their research objectives.

연구 동기 및 목표

• 모바일 소프트웨어 공학 분야의 연구를 지원하기 위해 기존 안드로이드 애플리케이션 데이터셋을 식별하고 분류하기.
• 소스 코드 가용성, 버전 관리 접근성, APK 포함 여부와 같은 핵심 특징을 바탕으로 데이터셋을 평가하기.
• 보안, 성능, 유지보수성 등의 연구 하위 분야에 적합한 데이터셋의 적합성 평가하기.
• 특히 프라이버시 애플리케이션 분석을 위한 소스 코드와 버전 관리 리포지터리가 포함된 데이터셋의 부족함을 드러내기.
• 연구자가 특정 연구 목표에 가장 적합한 데이터셋을 선택할 수 있도록 기반 지도를 제공하기.

제안 방법

• 2017~2018년 간 구글 색색에서 키워드 검색과 스노우볼링 기법을 활용한 반복적 문헌 고찰 수행.
• 제목과 초록을 기반으로 안드로이드 앱 데이터셋을 생성하거나 사용하는 논문을 걸러내기.
• 인용 네트워크를 양방향(인용한 논문과 인용된 논문)으로 추적하여 관련 연구의 데이터셋을 확장하기.
• 앱 수, 소스 코드 접근성, 버전 관리, APK 가용성, 앱 스토어 링크 등을 포함한 주요 데이터셋 특성을 표 형식으로 수집 및 요약하기.
• 데이터 출처(예: F-Droid, 구글 플레이, 악성코드 포럼 등) 및 시간 범위에 따라 데이터셋을 분류하기.
• 정적 분석, 동적 분석, 개발 관행 채굴 등의 특정 연구 필요에 적합한 각 데이터셋의 완전성과 유용성 평가하기.

실험 결과

연구 질문

• RQ1 어떤 안드로이드 애플리케이션 데이터셋이 공개되어 있으며, 그 핵심 특징은 무엇인가?
• RQ2 기존 데이터셋이 소스 코드와 버전 관리 리포지터리에 얼마나 접근 가능한가?
• RQ3 앱 수, 데이터 유형(소스 대비 바이너리), 앱 스토어 연결성 측면에서 데이터셋은 어떻게 다를까?
• RQ4 기존 데이터셋은 안드로이드 앱의 소프트웨어 공학 관행 연구를 뒷받침하는 데 어떤 한계를 지니는가?
• RQ5 보안, 성능, 유지보수성 등의 특정 연구 하위 분야에 가장 적합한 데이터셋은 무엇인가?

주요 결과

• 31개 데이터셋 중 단 12개(39%)만 소스 코드 접근을 제공하며, 버전 관리 리포지터리를 포함한 것은 7개(23%)에 불과하다.
• 가장 큰 데이터셋인 Allix 등 [4]는 580만 개 이상의 APK를 포함하고 있으나, 소스 코드나 버전 관리 기능이 전혀 없음.
• 소스 코드와 버전 관리 리포지터리를 포함한 데이터셋, 예를 들어 Krutz 등 [17]과 Geiger 등 [12]는 1만 개 미만의 앱을 포함하고 있어 확장성에 한계가 있음.
• F-Droid는 버전 관리가 가능한 오픈소스 안드로이드 앱의 가장 일반적인 출처이지만, 폐기된 호스팅으로 인해 데이터셋 가용성이 일관되지 않음.
• 단 11개의 데이터셋(35%)만 앱 스토어에 연결되어 있어 평가, 리뷰, 다운로드 수 등의 추가 메타데이터를 확보할 수 있음.
• 본 연구는 심각한 연구 격차를 규명함: 커밋 기록이나 소스 코드가 누락되어 있어 개발 관행의 종단 간 분석을 지원하는 데 부족함이 있음.