Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΠανίτσας, Ιωάννης-
dc.contributor.otherPanitsas, Ioannis-
dc.description.abstractΗ ραγδαία αύξηση του κακόβουλου λογισμικού στο λειτουργικό σύστημα Android αποτελεί μια πραγματικότητα. Η τεράστια απήχηση του λειτουργικού συστήματος Android στις κινητές συσκευές έχει ελκύσει όλο και περισσότερους προγραμματιστές για την δημιουργία κακόβουλων εφαρμογών Android. Για το λόγο αυτό, είναι αναγκαία η δημιουργία αποτελεσματικών μηχανισμών ασφαλείας ικανών για αναγνώριση και ταξινόμηση κακόβουλου λογισμικού. Η μεθοδολογία που ακολουθήθηκε στη συγκεκριμένη διπλωματική εργασία περιλαμβάνει τεχνικές στατικής και δυναμικής ανάλυσης κακόβουλου λογισμικού περιβάλλοντος Android. Τα αποτελέσματα των αναλύσεων χρησιμοποιήθηκαν για την δημιουργία ενός επιβλεπόμενου μοντέλου μηχανικής μάθησης το οποίο είναι ικανό να ταξινομεί τις εφαρμογές Android σε κακόβουλες ή μη. Η μεθοδολογία που αναπτύχθηκε είναι υλοποιημένη σε λογισμικό που παρέχεται στους χρήστες μέσω υπηρεσιών διαδικτύου. Στην αρχή της διπλωματικής εργασίας γίνεται περιγραφή της στατικής και της δυναμικής ανάλυσης έπειτα γίνεται μια εισαγωγή στη μηχανική μάθηση και στην συνέχεια παρουσιάζεται η αρχιτεκτονική της πλατφόρμας. Τέλος, αναλύεται η διαδικασία που ακολουθήθηκε για την υλοποίηση της.el
dc.subjectΛειτουργικό σύστημα androidel
dc.subjectΤεχνητή νοημοσύνηel
dc.subjectΜηχανική μάθησηel
dc.subjectΠαράλληλος προγραμματισμόςel
dc.titleΜεθοδολογία αποτίμησης ασφάλειας androidel
dc.title.alternativeAndroid security assessment methodologyel
dc.description.translatedabstractThe rapid rise of malware in the Android operating system is a reality. The huge impact of the Android operating system on mobile devices has attracted more and more developers to create malicious Android applications. For this reason, it is necessary to establish effective security mechanisms capable of detecting and classifying malware. The methodology which followed in this diploma thesis includes techniques for static and dynamic analysis of Android malware. The results of the analyzes were used to create a supervised machine learning model that is capable of classifying Android applications as malicious or not. The methodology which developed is implemented in software provided to users through internet services. In the beginning of the diploma thesis, static and dynamic analysis are described, then an introduction to machine learning is made, and then the platform architecture is presented. Finally, the procedure which was followed for its implementation is analyzed.el
dc.subject.alternativeAndroid operating systemel
dc.subject.alternativeAndroid securityel
dc.subject.alternativeMalware analysisel
dc.subject.alternativeStatic and dynamic analysisel
dc.subject.alternativeArtificial intelligenceel
dc.subject.alternativeMachine learningel
dc.subject.alternativeParallel computingel
datacite.contributor.SupervisorΣερπάνος Δημήτριος-
datacite.contributor.RelatedPersonΜπίρμπας Μιχάλης-
datacite.contributor.RelatedPersonΧούσος Ευθύμιος-
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Panitsas(ele).pdf4.48 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.