Malicious application detection in android — A systematic literature review

Sharma, Tejpal; Rattan, Dhavleesh

doi:10.1016/j.cosrev.2021.100373

Cited by 59 publications

(28 citation statements)

References 163 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Previous reviews in [9,13,17,[34][35][36][37] discussed various ML-based Android malware detection techniques and ways to improve Android security.…”

Section: Related Workmentioning

confidence: 99%

“…The novel ML/DL and other models which can be used to detect Android malware were also not in the focus of this review. The review in [36] provides a good analysis of static, dynamic, and hybrid detection techniques used in the existing research studies for Android malware detection. Along with that possibility of using machine learning models, several deep learning models are also discussed.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Android Mobile Malware Detection Using Machine Learning: A Systematic Review

2021

View full text Add to dashboard Cite

With the increasing use of mobile devices, malware attacks are rising, especially on Android phones, which account for 72.2% of the total market share. Hackers try to attack smartphones with various methods such as credential theft, surveillance, and malicious advertising. Among numerous countermeasures, machine learning (ML)-based methods have proven to be an effective means of detecting these attacks, as they are able to derive a classifier from a set of training examples, thus eliminating the need for an explicit definition of the signatures when developing malware detectors. This paper provides a systematic review of ML-based Android malware detection techniques. It critically evaluates 106 carefully selected articles and highlights their strengths and weaknesses as well as potential improvements. Finally, the ML-based methods for detecting source code vulnerabilities are discussed, because it might be more difficult to add security after the app is deployed. Therefore, this paper aims to enable researchers to acquire in-depth knowledge in the field and to identify potential future research and development directions.

show abstract

“…Previous reviews in [9,13,17,[34][35][36][37] discussed various ML-based Android malware detection techniques and ways to improve Android security.…”

Section: Related Workmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

Android Mobile Malware Detection Using Machine Learning: A Systematic Review

2021

View full text Add to dashboard Cite

show abstract

“…A importância das características para o processo de detecc ¸ão de malwares é facilmente compreendida quando se empregam soluc ¸ões baseadas no aprendizado de máquina [Wang et al, 2019, Sharma andRattan, 2021]. Isto porque, para o correto funcionamento, essas soluc ¸ões (e seus modelos) dependem de conjuntos de dados (datasets) corretos e atualizados, requerendo assim a extrac ¸ão detalhada de características dos aplicativos [Dharmalingam and Palanisamy, 2021, Alazab et al, 2020, Zhang et al, 2020.…”

Section: Introduc ¸ãOunclassified

Ferramentas de extração de características para análise estática de aplicativos Android

Pontes¹,

Costa²,

Rocha³

et al. 2021

Anais Da XIX Escola Regional De Redes De Computadores (ERRC 2021)

View full text Add to dashboard Cite

Neste estudo, investigamos algumas das ferramentas utilizadas para a extração de características estáticas de aplicações Android, que são frequentemente utilizadas por métodos de detecção de malwares. Demonstramos que as ferramentas podem diferir quanto ao quantitativo e a apresentação dos dados extraídos, o que acaba condicionando sua aplicabilidade às necessidades específicas de cada projeto.

show abstract

“…Na prática, muitos datasets atuais são construídos a partir de datasets mais antigos [Sharma and Rattan, 2021], o que também representa um problema. Por exemplo, o dataset Drebin-215 (disponibilizado em 2018) é constituído, na verdade, por um subconjunto de dados do dataset Drebin, datado de 2012.…”

Section: Introduc ¸ãOunclassified

Detecção de Malwares Android: Levantamento Empírico da Disponibilidade e da Atualização das Fontes de Dados

Soares

Mello

Barcellos

et al. 2021

Anais Da XIX Escola Regional De Redes De Computadores (ERRC 2021)

View full text Add to dashboard Cite

Neste estudo avaliamos 84 fontes de dados utilizadas para a concepção de modelos de aprendizado de máquina aplicados à detecção de malwares Android, sendo 39 lojas de aplicativos, 30 datasets e 15 repositórios de APKs. Verificamos que 68,75% dos trabalhos utilizam fontes de dados antigas, mesmo existindo opções de fontes atuais. Também observamos que a disponibilidade e a corretude dos registros das fontes de dados nem sempre são condizentes com o informado e, consequentemente, podem impactar negativamente a qualidade dos métodos de detecção de malwares.

show abstract

Malicious application detection in android — A systematic literature review

Cited by 59 publications

References 163 publications

Android Mobile Malware Detection Using Machine Learning: A Systematic Review

Android Mobile Malware Detection Using Machine Learning: A Systematic Review

Ferramentas de extração de características para análise estática de aplicativos Android

Detecção de Malwares Android: Levantamento Empírico da Disponibilidade e da Atualização das Fontes de Dados

Contact Info

Product

Resources

About