Published March 1, 2024
| Version v1
Publication
Open
Securing Mobile Devices from Malware: A Faceoff Between Federated Learning and Deep Learning Models for Android Malware Classification
Creators
- 1. Vellore Institute of Technology University
- 2. Symbiosis International University
- 3. Graphic Era University
- 4. SASTRA University
Description
Amidst the escalating threats of android malware, urgency mounts to detect issues while safeguarding user privacy. Traditional machine learning and deep learning methods, dealt with scalability challenges and privacy compromises, finding a potential remedy in federated learning. This study introduces a groundbreaking federated learning-based methodology and compares federated learning with traditional deep learning techniques for Android malware classification, employing renowned datasets, including Drebin, Malgenome, Tuandromd, and Kronodroid. Shifting gears, a federated learning-based approach for malware classification excels in accuracy, scalability, and privacy preservation. Acknowledging limitations and ethical considerations, the study underscores the need for robust privacy measures and dataset transparency. This study unveils federated learning's prowess in android malware classification, opening doors to privacy-driven applications in diverse domains.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
وسط التهديدات المتصاعدة للبرامج الضارة لأندرويد، تتصاعد الحاجة الملحة للكشف عن المشكلات مع الحفاظ على خصوصية المستخدم. يتعامل التعلم الآلي التقليدي وطرق التعلم العميق مع تحديات قابلية التوسع والتنازلات المتعلقة بالخصوصية، وإيجاد علاج محتمل في التعلم المتحد. تقدم هذه الدراسة منهجية رائدة قائمة على التعلم المتحد وتقارن التعلم المتحد مع تقنيات التعلم العميق التقليدية لتصنيف البرامج الضارة لنظام Android، باستخدام مجموعات بيانات مشهورة، بما في ذلك Drebin و Malgenome و Tuandromd و Kronodroid. يتفوق تغيير التروس، وهو نهج قائم على التعلم الموحد لتصنيف البرامج الضارة، في الدقة وقابلية التوسع والحفاظ على الخصوصية. مع الاعتراف بالقيود والاعتبارات الأخلاقية، تؤكد الدراسة على الحاجة إلى تدابير خصوصية قوية وشفافية مجموعة البيانات. تكشف هذه الدراسة عن براعة التعلم المتحد في تصنيف البرامج الضارة للأندرويد، مما يفتح الأبواب أمام التطبيقات القائمة على الخصوصية في مجالات متنوعة.Translated Description (French)
Au milieu des menaces croissantes des logiciels malveillants Android, l'urgence s'accroît pour détecter les problèmes tout en protégeant la vie privée des utilisateurs. Les méthodes traditionnelles d'apprentissage automatique et d'apprentissage en profondeur, ont traité des défis d'évolutivité et des compromis en matière de confidentialité, trouvant un remède potentiel à l'apprentissage fédéré. Cette étude présente une méthodologie révolutionnaire basée sur l'apprentissage fédéré et compare l'apprentissage fédéré aux techniques traditionnelles d'apprentissage en profondeur pour la classification des logiciels malveillants Android, en utilisant des ensembles de données renommés, notamment Drebin, Malgenome, Tuandromd et Kronodroid. Shifting gears, une approche fédérée basée sur l'apprentissage pour la classification des logiciels malveillants, excelle dans la précision, l'évolutivité et la préservation de la vie privée. Reconnaissant les limites et les considérations éthiques, l'étude souligne la nécessité de mesures robustes en matière de protection de la vie privée et de transparence des ensembles de données. Cette étude dévoile les prouesses de l'apprentissage fédéré dans la classification des logiciels malveillants Android, ouvrant la voie à des applications axées sur la confidentialité dans divers domaines.Translated Description (Spanish)
En medio de las crecientes amenazas de malware para Android, aumenta la urgencia de detectar problemas al tiempo que se protege la privacidad del usuario. Los métodos tradicionales de aprendizaje automático y aprendizaje profundo abordaron los desafíos de escalabilidad y los compromisos de privacidad, encontrando un remedio potencial en el aprendizaje federado. Este estudio presenta una metodología innovadora basada en el aprendizaje federado y compara el aprendizaje federado con las técnicas tradicionales de aprendizaje profundo para la clasificación de malware de Android, empleando conjuntos de datos de renombre, incluidos Drebin, Malgenome, Tuandromd y Kronodroid. Cambiar de marcha, un enfoque federado basado en el aprendizaje para la clasificación de malware, destaca por su precisión, escalabilidad y protección de la privacidad. Reconociendo las limitaciones y las consideraciones éticas, el estudio subraya la necesidad de medidas sólidas de privacidad y transparencia del conjunto de datos. Este estudio revela la destreza del aprendizaje federado en la clasificación de malware para Android, abriendo las puertas a aplicaciones basadas en la privacidad en diversos dominios.Files
jcssp.2024.254.264.pdf.pdf
Files
(925.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:99ac3ca53edf8026920551d2d0f12293
|
925.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تأمين الأجهزة المحمولة من البرامج الضارة: مواجهة بين التعلم الموحد ونماذج التعلم العميق لتصنيف البرامج الضارة للأندرويد
- Translated title (French)
- Sécurisation des appareils mobiles contre les logiciels malveillants : une confrontation entre les modèles d'apprentissage fédéré et d'apprentissage approfondi pour la classification des logiciels malveillants Android
- Translated title (Spanish)
- Proteger los dispositivos móviles del malware: un enfrentamiento entre el aprendizaje federado y los modelos de aprendizaje profundo para la clasificación de malware de Android
Identifiers
- Other
- https://openalex.org/W4391870474
- DOI
- 10.3844/jcssp.2024.254.264