Smartphone Malware and Its Propagation Modeling: A Survey

Peng, Sancheng; Yu, Shui; Yang, Aimin

doi:10.1109/surv.2013.070813.00214

Cited by 153 publications

(74 citation statements)

References 56 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Zolkipli et al [41] offers seventeen classes of classification based on form of existence. Peng at al [42] in their survey of smartphone malware highlights five classes of malware based on a matrix on propagation factors, existence form and risk. Based on review of malware literature, classification of malware in IoT will follow the classical classification.…”

Section: Malware Definition and Characterizationmentioning

confidence: 99%

“…Virus: Is a type of malware that gain access to the device or software without user knowledge and duplicates itself or commits the programmed malicious task. Viruses cannot exist on their own therefore require a carrier to propagate [42] which makes it hard to survive in sensors and actuators. b. Worms: It gain access to systems without owner's permission and operates stealthily with capability to duplicate into thousands of copies.…”

Section: Malware Definition and Characterizationmentioning

confidence: 99%

“…Rey classifies the models as either Deterministic or Stochastic; Continuous or Discrete ; (global or individual models. Peng et al [42] groups epidemic models as deterministic, stochastic and spatial temporal. This work adopts a mix of Rey and Peng et al classification and extends the subcategories based on recent works.…”

Section: Malware Modelling Review and Its Application In Iotmentioning

confidence: 99%

“…In human epidemiology the model has been applied in maladies such as chickenpox, measles and mumps [42]. The parameters for SIR model are formulated as follows; β is the infection rate: probability of contagion after contact per unit time.…”

Section: C) Sir ( Susceptible Infected Recovered ) Modelmentioning

confidence: 99%

See 3 more Smart Citations

Internet of Things Malware : A Survey

Karanja¹,

Masupe²,

Jeffrey³

2017

IJCSES

View full text Add to dashboard Cite

show abstract

Section: Malware Definition and Characterizationmentioning

confidence: 99%

Section: Malware Definition and Characterizationmentioning

confidence: 99%

Section: Malware Modelling Review and Its Application In Iotmentioning

confidence: 99%

Section: C) Sir ( Susceptible Infected Recovered ) Modelmentioning

confidence: 99%

See 2 more Smart Citations

Internet of Things Malware : A Survey

Karanja¹,

Masupe²,

Jeffrey³

2017

IJCSES

View full text Add to dashboard Cite

show abstract

“…Aunque este es un escenario hipotético y el malware, así como la aplicación deals4U, son ficticios, no es descabellado que ataques de este tipo pudieran producirse (o se estén produciendo) sin que el usuario lo perciba [13].…”

Section: A Malware Social -La Tienda Del Barriounclassified

PRoFIT: Modelo forense-IoT con integración de requisitos de privacidad

Nieto

Rı́os

López

2017

Proceedings XIII Jornadas De Ingenieria Telematica - JITEL2017

View full text Add to dashboard Cite

Resumen-La Internet de las cosas (IoT) complica sobremanera la extracción de evidencias electrónicas que pueden servir de base para una investigación forense. En entornos altamente cambiantes y con una densidad de dispositivos tan elevada, es muy difícil entender completamente el contexto de la ofensa. Es por ello que la cooperación de los individuos, aún no estando directamente implicados en la ofensa, puede ser muy relevante para el analista forense. En este artículo se propone un nuevo modelo para la IoT-Forensics, que pretende sentar las bases para la cooperación voluntaria de los individuos en las investigaciones de delitos telemáticos. Para ello, el modelo integra requisitos de privacidad de la norma ISO/IEC 29100:2011 durante todo el ciclo de vida de la investigación.Palabras Clave-forense, IoT, privacidad, seguridad, testigos digitales. I. INTRODUCCIÓNLa informática forense tradicional se basa en una serie de procesos bien establecidos que tienen como objetivo preservar la evidencia electrónica. Existen varios modelos muy similares entre sí, que describen conductas a seguir precisas y bien definidas, pero son exageradamente estáti-cos [1]. Las evidencias -discos o dispositivos de los que se extraerán evidencias electrónicas -se recaban por medio de una orden judicial al principio del proceso. Las evidencias electrónicas se obtienen conforme a su volatilidad, siendo posible que algunas de éstas se obtengan en la propia escena (p.ej. volcados de memoria). Se implementan cadenas de custodia por medio de documentos que firman los responsables autorizados a gestionar las evidencias. Esto es así con el fin de preservar la integridad de la prueba, pero no deja de ser un proceso poco flexible, concebido para escenarios muy estáticos.Sin embargo, estamos viviendo un boom de dispositivos sin parangón. Actualmente los analistas forenses se encuentran con el problema de que hay un sinfín de dispositivos para los que aún no existen herramientas o procesos bien definidos para regular su tratamiento forense [2]. No sólo los dispositivos, sino también las infraestructuras/plataformas intermedias que se usan para la comunicación entre los objetos, plantean grandes desafíos forenses. Precisamente, en 2013 surge el concepto de IoT-Forensics [3] para destacar los problemas que el paradigma IoT introduce en el ámbito forense. Tanto a nivel de adquisición de información como a nivel de cómo se gestiona esa información [4], o la problemática de la avalancha de datos que deben procesarse y correlacionarse.Pero en IoT-Forensics el problema va más allá; el usuario y sus dispositivos están demasiado conectados como para continuar obviando que el espinoso problema de la privacidad debe ser finalmente abordado. Precisamente, en este artículo definimos el modelo PRoFIT (Privacy-aware IoT-Forensic) que integra propiedades de privacidad conforme a la norma ISO/IEC 29100:2011 en las fases de un modelo forense adaptado para la IoT. Este modelo, más dinámico que sus predecesores facilitaría la cooperación voluntaria de los dispositivos de...

show abstract

Analysis of malware propagation behavior in Social Internet of Things

Kindi

Al‐Abri

Maashri

et al. 2019

Int J Communication

View full text Add to dashboard Cite

Summary Social Internet of Things (SIoT) is an evolution of the Internet of Things, where objects interact socially with each other in the sense that they can independently establish new relationships, offer, or discover services, in order to accomplish their tasks with minimum involvement of the user. This additional convenience comes at the expense of higher risk of speeding up malware propagation through the dynamically created relationships. Because of the undesirable effects of malware (eg, disruption of device operation), it is essential to understand their spreading behavior in order to minimize their negative impacts. In this paper, we analyze malware propagation behavior in SIoT and investigate different parameters that influence spreading of malware. Toward that end, a simulator has been developed to simulate the spreading process of malware in SIoT. Many propagation scenarios were analyzed using the proposed simulator. Simulation results show that adding more relationships in the SIoT or increasing the number of owned objects per user has increased malware spreading rate. For example, the time to infect all objects is faster by 45% when objects communicate through four relationships compared with the case when objects communicate through only two relationships in SIoT. We also investigated ways to restrict the malware spreading. Results show that preventing objects from establishing dynamic social relationship slows down the infection by 40% compared with the next best scenario (ie, blocking co‐location relationships), which means more time for vendors to patch up their products.

show abstract

Smartphone Malware and Its Propagation Modeling: A Survey

Cited by 153 publications

References 56 publications

Internet of Things Malware : A Survey

Internet of Things Malware : A Survey

PRoFIT: Modelo forense-IoT con integración de requisitos de privacidad

Analysis of malware propagation behavior in Social Internet of Things

Contact Info

Product

Resources

About