Better Call Graphs: A New Dataset of Function Call Graphs for Malware Classification
यह शोध पत्र "बेटर कॉल ग्राफ्स" (BCG) को प्रस्तुत करता है, जो हाल के एंड्रॉइड अनुप्रयोगों से निकाले गए अद्वितीय, बड़े पैमाने के फंक्शन कॉल ग्राफ्स का एक व्यापक और सार्वजनिक रूप से उपलब्ध डेटासेट है, जिसे मौजूदा पुराने और अनावश्यक डेटासेट्स की सीमाओं को दूर करने और अधिक विश्वसनीय एवं विविध मैलवेयर वर्गीकरण को सक्षम करने के लिए डिज़ाइन किया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया में, मोबाइल एप्लिकेशन केवल कोड का संग्रह नहीं हैं; वे निर्देशों के जटिल नेटवर्क हैं जो एक फोन को बताते हैं कि क्या करना है। एक ऐप कैसे व्यवहार करता है, इसे समझने के लिए, सुरक्षा शोधकर्ता अक्सर इसके "फंक्शन कॉल ग्राफ" (function call graph) को देखते हैं। कल्पना कीजिए कि यह एक शहर के मानचित्र की तरह है जहाँ हर इमारत ऐप द्वारा किए जा सकने वाले एक विशिष्ट कार्य को दर्शाती है, और उन्हें जोड़ने वाली सड़कें दिखाती हैं कि कौन से कार्य दूसरों को सक्रिय करते हैं। यह मानचित्र ऐप की वास्तविक संरचना और व्यवहार को प्रकट करता है, जो केवल ऐप के नाम को पढ़ने या कुछ सतही विवरणों को देखने की तुलना में समस्याओं को पहचानने के लिए कहीं अधिक विश्वसनीय है। यह दृष्टिकोण महत्वपूर्ण है क्योंकि बुरे तत्व जो दुर्भावनापूर्ण सॉफ्टवेयर, या मैलवेयर (malware) बनाते हैं, अक्सर कोड में सूक्ष्म, कॉस्मेटिक बदलाव करके अपने काम को छिपाने की कोशिश करते हैं। ये बदलाव उन सरल स्कैनर्स को धोखा दे सकते हैं जो विशिष्ट टेक्स्ट पैटर्न की तलाश करते हैं, लेकिन वे वास्तव में उस अंतर्निहित मानचित्र को नहीं बदल पाते हैं कि ऐप वास्तव में कैसे कार्य करता है। वर्षों से, मोबाइल सुरक्षा का क्षेत्र इन मानचित्रों का उपयोग खतरों को पकड़ने के लिए करता आया है, लेकिन इन मानचित्रों की गुणवत्ता स्वयं एक बड़ी बाधा रही है।
लंबे समय तक, बेहतर पहचान प्रणाली बनाने की कोशिश कर रहे शोधकर्ता पुराने या त्रुटिपूर्ण मानचित्रों के साथ काम कर रहे थे। मौजूदा संग्रहों में से कई ऐप्स पुराने सॉफ्टवेयर से बनाए गए थे, जो उस समय को दर्शाते हैं जब मोबाइल ऐप्स बहुत सरल हुआ करते थे। इसके अलावा, इन पुराने संग्रहों में अक्सर एक ही ऐप की कई प्रतियां थीं, जिन्हें थोड़े अलग नामों के साथ छिपाया गया था लेकिन उनकी आंतरिक संरचना बिल्कुल समान थी। इसने सुरक्षा की एक झूठी भावना पैदा की; इन पुराने, दोहराव वाले मानचित्रों पर प्रशिक्षित मशीन लर्निंग मॉडल परीक्षणों में बहुत उच्च अंक प्राप्त कर सकते थे, इसलिए नहीं कि वे स्मार्ट थे, बल्कि इसलिए क्योंकि उन्होंने केवल डुप्लिकेट्स को याद कर लिया था। जब वे किसी नए, आधुनिक ऐप का सामना करते थे, तो ये मॉडल पूरी तरह विफल हो जाते थे। मोबाइल इकोसिस्टम का तेजी से विकास यह सुनिश्चित करता है कि आज के खतरे अतीत के मुकाबले संरचनात्मक रूप से भिन्न हैं, और जिनका अध्ययन करने के लिए उपकरणों का उपयोग किया जाता है, उन्हें एक गंभीर अपडेट की आवश्यकता थी।
इस समस्या को हल करने के लिए, यूनिवर्सिटी एट बफ़ेलो के शोधकर्ताओं की एक टीम ने ऐप मानचित्रों का एक नया, व्यापक संग्रह बनाया जिसे "बेटर कॉल ग्राफ्स" (Better Call Graphs) कहा जाता है। यह डेटासेट केवल पिछले संस्करणों का बड़ा रूप नहीं है; यह हाल के सॉफ्टवेयर का उपयोग करके शून्य से बनाया गया एक मौलिक रूप से भिन्न संसाधन है। टीम ने प्रमुख सार्वजनिक रिपॉजिटरी से 1,25,000 से अधिक एप्लिकेशन फाइलें एकत्र कीं, जिन्हें फ़िल्टर करके लगभग 10,000 अद्वितीय उदाहरणों के अंतिम सेट तक सीमित किया गया। वे गुणवत्ता के प्रति सख्त थे: उन्होंने किसी भी ऐसे ऐप को हटा दिया जो जटिल व्यवहार रखने के लिए बहुत छोटा था, आधुनिक प्रासंगिकता सुनिश्चित करने के लिए 2017 से पहले कंपाइल किए गए किसी भी सॉफ्टवेयर को हटा दिया, और डुप्लिकेट्स की कड़ाई से जांच की। उन्होंने यह पुष्टि करने के लिए कि लेबल सटीक और विश्वसनीय हैं, एक मल्टी-इंजन सत्यापन प्रणाली का उपयोग किया कि कौन से ऐप्स दुर्भावनापूर्ण थे। परिणाम स्वरूप प्राप्त डेटासेट आधुनिक मोबाइल सॉफ्टवेयर की वास्तविक जटिलता को दर्शाता है, जिसमें हानिरहित ऐप्स और ट्रोजन, एडवेयर और रैनसमवेयर सहित विभिन्न प्रकार के मैलवेयर शामिल हैं।
जब शोधकर्ताओं ने इस नए डेटासेट पर मानक पहचान विधियों का परीक्षण किया, तो परिणाम स्पष्ट और चौंकाने वाले थे। पुराने, परिचित डेटासेट्स पर, सर्वश्रेष्ठ मशीन लर्निंग मॉडल 90 प्रतिशत के करीब सटीकता दर प्राप्त करते थे, जिससे मैलवेयर को पहचानना लगभग एक सुलझा हुआ कार्य लगता था। हालाँकि, जब इन्हीं मॉडलों को नए "बेटर कॉल ग्राफ्स" डेटासेट पर लागू किया गया, तो उनका प्रदर्शन तेजी से गिर गया। सटीकता गिरकर लगभग 77 प्रतिशत हो गई, और सफलता का एक अधिक महत्वपूर्ण पैमाना, जिसे मैक्रो-F1 स्कोर (macro-F1 score) कहा जाता है, लगभग 90 प्रतिशत से गिरकर केवल 18 प्रतिशत रह गया। यह नाटकीय गिरावट मॉडलों की विफलता नहीं थी, बल्कि इस बात का प्रमाण था कि पुराने डेटासेट्स भ्रामक थे। मॉडल अतीत के दोहराव वाले पैटर्न पर ओवरफिटिंग (overfitting) कर रहे थे, और जब उन्हें आधुनिक ऐप्स की वास्तविक जटिलता और विविधता का सामना करना पड़ा, तो वे संघर्ष करने लगे। नए डेटासेट ने वर्तमान तकनीक और आधुनिक मोबाइल खतरों की वास्तविकता के बीच एक महत्वपूर्ण अंतर को उजागर किया।
अध्ययन ने यह भी पता लगाया कि पहचान की कठिनाई समय के साथ कैसे बदलती है। जब शोधकर्ताओं ने पुराने ऐप्स पर मॉडल को प्रशिक्षित किया और नए ऐप्स पर उनका परीक्षण किया, तो प्रदर्शन और भी कम हो गया, जिससे पुष्टि हुई कि मोबाइल मैलवेयर का परिदृश्य तेजी से बदल रहा है। इस घटना को 'कॉन्सेप्ट ड्रिफ्ट' (concept drift) कहा जाता है, जिसका अर्थ है कि पांच साल पुराने डेटा पर प्रशिक्षित मॉडल आज अप्रभावी होने की संभावना है। नए डेटासेट में ऐप्स के बारे में विस्तृत जानकारी भी शामिल थी, जैसे कि उनका आकार, उनके द्वारा अनुरोध किए गए अनुमतियाँ (permissions), और उनके द्वारा उपयोग किए जाने वाले विशिष्ट लाइब्रेरीज़, जिससे सॉफ्टवेयर का एक समग्र दृष्टिकोण मिलता है। इन समृद्ध विवरणों के बावजूद, यहाँ तक कि सबसे उन्नत ग्राफ-आधारित मॉडलों को भी नए डेटासेट के भीतर विभिन्न प्रकार के मैलवेयर के बीच अंतर करने में कठिनाई हुई, जो यह सुझाव देता है कि आधुनिक खतरों के विभिन्न प्रकारों के बीच संरचनात्मक समानताएं पहले की तुलना में बहुत अधिक मजबूत हैं।
अंततः, यह कार्य मोबाइल सुरक्षा के क्षेत्र के लिए एक आवश्यक वास्तविकता की जाँच (reality check) के रूप में कार्य करता है। ऐप मानचित्रों का एक स्वच्छ, आधुनिक और गैर-दोहराव वाला संग्रह प्रदान करके, शोधकर्ताओं ने यह स्थापित किया है कि पहचान प्रणालियों का मूल्यांकन कैसे किया जाना चाहिए। निष्कर्ष बताते हैं कि पिछले अध्ययनों में रिपोर्ट की गई उच्च सफलता दर अक्सर पुराने और दोहराव वाले डेटा द्वारा बनाई गई एक भ्रम मात्र थी। आगे का रास्ता ऐसी नई तकनीकों को विकसित करने की आवश्यकता है जो आधुनिक अनुप्रयोगों की वास्तविक जटिलता को संभाल सकें, न कि उन तरीकों पर निर्भर रहने की जो केवल समस्या के सरलीकृत, ऐतिहासिक संस्करणों पर काम करते हैं। यह डेटासेट अब सार्वजनिक रूप से उपलब्ध है, जो भविष्य के अनुसंधान के लिए एक कठोर परीक्षण स्थल प्रदान करता है और यह सुनिश्चित करता है कि अगली पीढ़ी के सुरक्षा उपकरण दोहराव के बजाय सत्य की नींव पर निर्मित हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।