Работа посвящена исследованию применения машинного обучения для детектирования вредоносных программ под ОС Android. На основе коллекции, состоящей из 11 960 вредоносных и 69 381 легитимных приложений под ОС Android, был получен набор данных для обучения и тестирования моделей. На его основе были обучены и протестированы классификаторы с применением упрощённого алгоритма Байеса, метода k-ближайших соседей (k-NN) и метода машины опорных векторов (SVM). В результате была получена точность классификации 93% при применении метода k-NN и 94% при применении метода SVM.

The work is devoted to the study of the application of machine learning for the detection of malware under the Android OS. Based on a collection of 11,960 malicious and 69,381 legitimate applications for Android OS, a dataset was obtained for training and testing models. On its basis, classifiers were trained and tested using the simplified Bayes' algorithm, the k-nearest neighbors method (k-NN) and the support vector machine (SVM). As a result, the classification accuracy was 93% when using the k-NN method and 94% when using the SVM method.

• Введение
• Глава 1. Анализ особенностей ОС Android и постановка задачи детектирования вредоносных программ
  • 1.1. Основные особенности ОС Android
  • 1.2. Обзор методов детектирования вредоносных программ
    • 1.2.1. Сигнатурный анализ
    • 1.2.2. Эвристический анализ
    • 1.2.3. Применение машинного обучения
  • 1.3. Постановка задачи детектирования вредоносных программ и обзор алгоритмов её решения
    • 1.3.1. Упрощённый алгоритм Байеса
    • 1.3.2. Метод k-ближайших соседей
    • 1.3.3. Метод машины опорных векторов (SVM)
  • 1.4. Выводы по главе 1
• Глава 2. Получение набора данных
  • 2.1. Выделение признаков
    • 2.1.1. Задание множества признаков
    • 2.1.2. Выделение функциональных блоков
    • 2.1.3. Задание пространства признаков
  • 2.2. Подготовка данных
    • 2.2.1. Сбор данных
    • 2.2.2. Очистка данных
  • 2.3. Выводы по главе 2
• Глава 3. Обучение и тестирование моделей
  • 3.1. Выделение обучающей и тестовой выборки
  • 3.2. Обучение моделей
    • 3.2.1. Упрощённый алгоритм Байеса
    • 3.2.2. Метод k-ближайших соседей
    • 3.2.3. Метод машины опорных векторов (SVM)
  • 3.3. Сравнение результатов тестирования моделей
• Заключение
• Список использованных источников
• Приложение 1. Фрагмент скрипта для получения признаков программы
• Приложение 2. Фрагмент набора данных