Αντίστροφη μηχανική κακόβουλου λογισμικού Android
| datacite.contributor.RelatedPerson | Μπίρμπας, Μιχάλης | |
| datacite.contributor.Supervisor | Σερπάνος, Δημήτριος | |
| datacite.contributor.Supervisor | Παλιουράς, Βασίλης | |
| dc.contributor.author | Σακελλαρίδης, Χρήστος-Άνθιμος | |
| dc.contributor.other | Sakellaridis, Christos-Anthimos | |
| dc.date.accessioned | 2026-07-03T11:30:33Z | |
| dc.date.available | 2026-07-03T11:30:33Z | |
| dc.date.issued | 2026-07-01 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία σχεδιάζεται, υλοποιείται και αξιολογείται ένα αυτοματοποιημένο σύστημα στατικής ανάλυσης εφαρμογών Android, με στόχο τον αξιόπιστο εντοπισμό κακόβουλου λογισμικού. Αφορμή αποτελεί η διαρκής αύξηση του όγκου και της πολυπλοκότητας των κακόβουλων εφαρμογών, που καθιστούν τη χειροκίνητη εξέταση κάθε ύποπτου δείγματος πρακτικά ανέφικτη και αναδεικνύουν την ανάγκη για αυτοματοποιημένη, πολυεπίπεδη ανάλυση. Το προτεινόμενο σύστημα ενσωματώνει σε μια ενιαία ροή εργασίας πέντε καθιερωμένα εργαλεία αντίστροφης μηχανικής, εξετάζοντας τόσο τον κώδικα Java όσο και τον native κώδικα της εφαρμογής, όπου συχνά αποκρύπτεται η κακόβουλη λειτουργικότητα. Η ανίχνευση στηρίζεται σε ένα σύνολο κανόνων που αναπτύχθηκαν εξαρχής και τεκμηριώνονται σε διεθνή πρότυπα ασφάλειας, ενώ τα επιμέρους ευρήματα συνδυάζονται από έναν ευρετικό μηχανισμό ο οποίος αποδίδει σε κάθε εφαρμογή έναν ερμηνεύσιμο δείκτη κινδύνου. Το σύστημα αξιολογήθηκε πειραματικά σε ένα σύνολο πραγματικών εφαρμογών, κακόβουλων και καλόβουλων, επιτυγχάνοντας πλήρη εντοπισμό όλων των κακόβουλων δειγμάτων, ενώ μέσα από αναλυτική μελέτη περίπτωσης καταδεικνύεται στην πράξη ο τρόπος με τον οποίο η αυτόματη ανάλυση καθοδηγεί τον αναλυτή προς τον πραγματικό κακόβουλο κώδικα. Τα αποτελέσματα επιβεβαιώνουν ότι η προσέγγιση αυτή προσφέρει αξιόπιστη ανίχνευση με πλήρη διαφάνεια και τεκμηρίωση κάθε απόφασης, αναδεικνύοντας παράλληλα και τα εγγενή όρια της στατικής ανάλυσης. | |
| dc.description.translatedabstract | This diploma thesis designs, implements, and evaluates an automated static analysis system for Android applications, aiming at the reliable detection of malicious software. The motivation stems from the continuous growth in the volume and complexity of malicious applications, which render manual examination of every suspicious sample practically infeasible and highlight the need for automated, multi-layered analysis. The proposed system integrates five established reverse engineering tools into a single workflow, examining both the Java code and the native code of the application, where malicious functionality is often concealed. Detection is based on a set of rules developed from scratch and documented according to international security standards, while the individual findings are combined by a heuristic mechanism that assigns each application an interpretable risk score. The system was experimentally evaluated on a set of real-world applications, both malicious and benign, achieving complete detection of all malicious samples, while a detailed case study demonstrates in practice how the automated analysis guides the analyst toward the actual malicious code. The results confirm that this approach offers reliable detection with full transparency and documentation of every decision, while also highlighting the inherent limitations of static analysis. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32257 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/4.0/ | |
| dc.subject | Ανάλυση κακόβουλου λογισμικού Android | |
| dc.subject | Στατική ανάλυση | |
| dc.subject | Αντίστροφη μηχανική | |
| dc.subject.alternative | Android malware detection | |
| dc.subject.alternative | Static analysis | |
| dc.subject.alternative | Reverse engineering | |
| dc.title | Αντίστροφη μηχανική κακόβουλου λογισμικού Android | |
| dc.title.alternative | Reverse engineering of Android malware |