Cyber Shelf

// Comparaison

The Android Malware Handbook vs Malware Data Science : lequel lire ?

Deux livres de cybersécurité sur Malware, comparés honnêtement : à qui s'adresse chacun, ce que chacun fait de mieux, et lequel lire en premier.

Avancé
4/52023
The Android Malware Handbook

Using Manual Analysis and ML-Based Detection

Qian Han, Salvador Mandujano, Sebastian Porst, V.S. Subrahmanian, Sai Deep Tetali, Yanhai Xiong

Des chercheurs en machine learning et des membres des équipes Android Security de Meta et Google condensent des années de recherche sur la détection des chevaux de Troie bancaires, ransomwares et fraudes SMS sur Android, en combinant analyse manuelle et modèles de classification.

Intermédiaire
4/52018
Malware Data Science

Attack Detection and Attribution

Joshua Saxe, Hillary Sanders

Saxe et Sanders appliquent des techniques de machine learning (classification, clustering, deep learning) à la détection et l'attribution malware, avec du code Python fonctionnel et de vrais corpus.

À lire si

Les ingénieurs sécurité mobile et praticiens du ML qui doivent dépasser l'antivirus Android à base de signatures pour aller vers des modèles de classification et l'ingénierie de caractéristiques par famille de malware. Écrit par des gens qui ont réellement construit de la détection à l'échelle d'Android, pas des académiques qui théorisent.
Analystes malware et détection engineers qui veulent passer à l'échelle au-delà du triage manuel. Saxe et Sanders appliquent classification, clustering, analyse de similarité et deep learning au corpus malware, avec du code Python fonctionnel partout.

À éviter si

Les lecteurs qui veulent une couverture iOS (absente ici) ou qui ont besoin d'une introduction au machine learning lui-même ; le livre suppose une aisance en ML déjà acquise et l'applique spécifiquement aux malwares Android, plutôt que d'enseigner le ML depuis zéro.
Analystes dont le travail est un-échantillon-à-la-fois, ou lecteurs sans confort Python et statistiques basiques. Le livre est pour les environnements riches en télémétrie où le ML à l'échelle compte.

Points clés

  • Retrace l'histoire des malwares Android en conditions réelles depuis le lancement de l'OS, donnant aux modèles de classification un vrai contexte évolutif plutôt qu'un instantané statique.
  • Couvre l'analyse statique et dynamique de vrais échantillons avant d'aborder la couche ML, pour que les modèles de détection reposent sur une analyse manuelle solide.
  • Détaille les stratégies de ML par catégorie de malware (chevaux de Troie bancaires, ransomwares, fraude SMS), chacune avec les caractéristiques qui la distinguent réellement.
  • Les classifieurs à features statiques peuvent router efficacement une queue de triage même à l'échelle ; les chapitres du livre sur le feature engineering remboursent le coût.
  • L'analyse de similarité (locality-sensitive hashing, ssdeep, imphash, fuzzy hashing au niveau fonction) est le levier de l'analyste pour clusteriser des campagnes et tracer l'évolution d'acteurs.
  • Le deep learning est sur-hypé pour le malware dans beaucoup de contextes et exactement le bon outil dans d'autres ; le livre est honnête sur les compromis d'une façon que la plupart des livres ML/sécurité ne sont pas.

Comment ils se comparent

The Android Malware Handbook et Malware Data Science sont tous deux notés 4/5 dans notre catalogue. Choisissez selon vos préférences thématiques et de style, plutôt que sur la note.

The Android Malware Handbook vise le niveau avancé. Malware Data Science vise le niveau intermédiaire. Lisez le plus accessible d'abord si la thématique ne vous est pas familière.

The Android Malware Handbook et Malware Data Science couvrent tous les deux Malware, Machine Learning : les lire dans l'ordre renforce les mêmes notions sous des angles différents.

Continuer la lecture

The Android Malware Handbook

→ Alternatives à The Android Malware Handbook→ Que lire après The Android Malware Handbook

Malware Data Science

→ Alternatives à Malware Data Science→ Que lire après Malware Data Science

Thématiques liées

MalwareMachine Learning