چکیده: چکیده رشد روزافزون استفاده از تلفن‌های هوشمند مبتنی بر سیستم‌عامل اندروید، این بستر را به یکی از مهم‌ترین اهداف حملات بدافزاری تبدیل کرده است. بدافزارهای اندرویدی با بهره‌گیری از روش‌های پیچیده و تغییرپذیر، نه‌ تنها تهدیدی جدی برای حریم خصوصی کاربران و امنیت اطلاعات به شمار می‌آیند، بلکه خسارت‌های اقتصادی و اجتماعی گسترده‌ای نیز به همراه دارند. از این‌رو، شناسایی و مقابله با این تهدیدات به یکی از چالش‌های اصلی در حوزه امنیت اطلاعات تبدیل شده و نیازمند توسعه روش‌های کارآمد و دقیق برای تشخیص آن‌ها است. در این پژوهش با تمرکز بر استفاده از روش‌های انتخاب ویژگی، الگوریتم‌های یادگیری ماشین و ترکیب آن‌ها، روش جدیدی جهت بهبود دقت و کارایی در شناسایی بدافزارهای اندروید ارائه شده است. روش پیشنهادی در این پایان نامه بر پایه استفاده از دو دسته ویژگی‌های ایستا و پویا در فرایند تشخیص است. روش پیشنهادی به‌صورت خلاصه ابتدا با استفاده از الگوریتم ANOVA، اهمیت ویژگی‌ها را شناسایی می‌کند تا ویژگی‌های کم‌اثر حذف و ابعاد مسئله کاهش یابد. سپس از یک نسخه‌ی بهبود‌ داده شده از الگوریتم انتخاب ویژگی SFE برای جستجوی زیرمجموعه‌های بهینه در فضای جستجوی کاهش داده شده استفاده می‌کند. در نهایت، از یک روش ترکیب طبقه‌بندها (رأی‌گیری نرمِ وزن‌دار) استفاده می‌شود تا خروجی مدل‌های قوی‌تر سهم بیشتری در تصمیم نهایی داشته باشند. نتایج به‌دست‌آمده از آزمایش‌ها بر روی مجموعه داده CICInvesAndMal2019 نشان داد که روش پیشنهادی توانسته است نسبت به روش‌های ارائه شده در سال‌های اخیر از جمله روش DeepAMD عملکرد بهتری در حدود 4درصد در معیارهای مختلف ارائه دهد. در بخش ویژگی‌های ایستا، دقت روش پیشنهادی به 95.4 درصد و مقدار F1 به 94.6 درصد رسید که نسبت به روش‌های دیگر برتری قابل توجهی داشت. همچنین در بخش ویژگی‌های پویا نیز، روش ترکیبی موفق شد دقتی معادل 84.4 درصد و مقدار F1 برابر با 84.6 درصد کسب کند که از دیگر عملکرد بهتری داشت. نتایج این پژوهش نشان می‌دهند که ترکیب هوشمندانه الگوریتم‌های انتخاب ویژگی و طبقه‌بند‌ها نه تنها دقت بالاتری فراهم می‌آورد، بلکه باعث افزایش پایداری و قابلیت تعمیم روش پیشنهادی نیز می‌شود. به طور کلی، پژوهش حاضر با ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشین و انتخاب ویژگی‌های برنامه‌های اندرویدی، گامی مؤثر در جهت بهبود امنیت این پلتفرم برداشته است. نتایج به‌دست‌آمده می‌تواند مبنایی برای توسعه سامانه‌های هوشمند و بلادرنگ در حوزه تشخیص بدافزارهای دستگاه‌های هوشمند باشد و زمینه‌ساز تحقیقات آینده در راستای ارتقای امنیت کاربران این سیستم عامل را فراهم آورد.