To avoid crafting detection pattern

To avoid crafting detection patterns manually, we make use machine learning for generating detection models. While learning techniques provide a powerful tool for automatically inferring models, they require a representative basis of data for training. That is, the quality of the detection model of DREBIN critically depends on the availability of representative malicious
and benign applications. While it is straightforward to collect benign applications, gathering recent malware samples requires some technical effort. Fortunately, methods for offline analysis, such as DroidRanger [40], AppsPlayground [29] and RiskRanker [21], might help here to automatically acquire malware and provide the basis for updating and maintaining a representative dataset for DREBIN over time

Kết quả (Việt) 1:

Để tránh việc tạo mô hình phát hiện tay, chúng tôi sử dụng máy học cho Tạo mô hình phát hiện. Trong khi kỹ thuật học tập cung cấp một công cụ mạnh mẽ cho các mô hình tự động suy luận, ili đòi hỏi một cơ sở đại diện của dữ liệu từ những bài tập. Đó là, chất lượng của các mô hình phát hiện Drebin nghiêm trọng phụ thuộc vào sẵn có của độc đại diện
các ứng dụng và lành tính. Trong khi nó là đơn giản để thu thập các ứng dụng lành tính, Thu thập mẫu malware gần đây đòi hỏi một số nỗ lực kỹ thuật. May mắn thay, các phương pháp phân tích ngoại tuyến, chẳng hạn như DroidRanger [40], AppsPlayground [29] và RiskRanker [21], có thể giúp đỡ ở đây để tự động có được phần mềm độc hại và cung cấp cơ sở cho việc cập nhật và duy trì một bộ dữ liệu đại diện từ Drebin theo thời gian