Object Allocation Pattern as an Indicator for Maliciousness - An Exploratory Analysis
Object Allocation Pattern as an Indicator for Maliciousness - An Exploratory Analysis
复制标题
对象分配模式作为恶意指标 - 探索性分析
DOI：
10.1145/3422337.3450322
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Ali-Gombe, Aisha
中科院分区：
文献类型：
--
作者：
Hussaini, Adamu;Zahran, Bassam;Ali-Gombe, Aisha
传统上，Android恶意软件使用静态或动态分析进行分析。虽然静态技术通常很快;但是，它们不能应用于对具有动态有效载荷的混淆样本或恶意软件进行分类。相比之下，动态方法可以检查混淆的变体，但在收集每个重要的恶意软件行为数据时通常会产生显着的运行时开销。本文对内存取证进行了探索性分析，作为Android恶意软件分类器提取特征向量的替代技术。我们利用重建的每个进程的对象分配网络，以识别恶意软件和良性应用程序中的可区分的模式。我们的评估结果表明，恶意软件类别中的网络结构特征与良性数据集相比是唯一的，因此从内存中分配的对象的剩余部分中提取的特征可以用于鲁棒的Android恶意软件分类算法。
Traditionally, Android malware is analyzed using static or dynamic analysis. Although static techniques are often fast; however, they cannot be applied to classify obfuscated samples or malware with a dynamic payload. In comparison, the dynamic approach can examine obfuscated variants but often incurs significant runtime overhead when collecting every important malware behavioral data. This paper conducts an exploratory analysis of memory forensics as an alternative technique for extracting feature vectors for an Android malware classifier. We utilized the reconstructed per-process object allocation network to identify distinguishable patterns in malware and benign application. Our evaluation results indicate the network structural features in the malware category are unique compared to the benign dataset, and thus features extracted from the remnant of in-memory allocated objects can be utilized for robust Android malware classification algorithm.
DOI：
10.1145/3427228.3427244
发表时间：
2020-12
期刊：
Proceedings of the 36th Annual Computer Security Applications Conference
影响因子：
--
作者：
Aisha I. Ali-Gombe;Alexandra Tambaoan;Angela Gurfolino;G. Richard
通讯作者：
Aisha I. Ali-Gombe;Alexandra Tambaoan;Angela Gurfolino;G. Richard
DroidScraper：Android 内存对象恢复和重建工具
DOI：
--
发表时间：
2019
期刊：
RAID 2019
影响因子：
--
作者：
Ali-Gombe, A.;Sudhakaran, S.;Case, A.;Richard, G.
通讯作者：
Richard, G.