تشخیص ناهنجاریهای جریان های ترافیکی لایه ی انتقال در شبکه بات های اندرویدی با روشهای یادگیری ماشین

با گسترش فرهنگ متنباز و محبوبیت روز افزون سکوی متنباز اندروید و افزایش کاربران آن، دستگاه های موبایل موردتوجه توسعه دهندگان بدافزار قرار گرفته است. این بدافزارها بیشتر به منظور دزدی اطلاعات شخصی و تحت کنترلگرفتن دستگاه کاربران منتشر می شوند. بطور خاص شبکه بات های موبایلی این امکان را به مهاجم می دهند که از کانال-های مختلف مانند HTTP کنترل دستگاه های قربانیان را در اختیار بگیرد و در نتیجه یک شبکه ی آلوده از بات ها را بوجود آورد. در این مقاله ما نشان می دهیم که چگونه می توان به صورت کارا بات های اندرویدی را براساس ویژگی هایجریان های ترافیکی آنها، در لایه ی انتقال رده بندی کرد. ویژگی های جریانی شماره گذرگاه مبدا و مقصد، آدرس IPمقصد، تعداد بسته های ارسالی، تعداد بایت ارسالی، تعداد بسته های دریافتی، تعداد بایت دریافتی و طول زمان اتصال درجریان لایه ی انتقال را برای تشخیص در نظر گرفتیم و سه الگوریتم یادگیری ماشین K نزدیکترین همسایه، درختتصمیم و پرسپترون چند لایه را با این ویژگی ها مورد ارزیابی قرار دادیم که الگوریتم K نزدیکترین همسایه به نرخمثبت صحیح 99/79 درصد و دقت 99/38 درصد بهترین نتیجه را داشت. از آنجا که استخراج ویژگی های جریان های ترافیکی عملیات سنگینی نیست، این روش می تواند روشی سبک از نظر پردازشی برای دستگاه های تلفن همراه هوشمند محسوب شود.

Keywords:

شبکه بات اندرویدی , امنیت اندروید , تشخیص شبکه بات , تشخیص بدافزار