Peningkatan Keamanan On-Device Model Pada Aplikasi Offline Android Dengan AES dan Obfuskasi
:
https://doi.org/10.32409/jikstik.24.2.3781
Abstract
Metode on-device model menawarkan keunggulan seperti waktu respons yang cepat, hemat bandwidth, pengurangan biaya komputasi cloud. Metode on-device model pada aplikasi android memiliki kerentanan terhadap serangan reverse engineering atau decompiling, yang menyebabkan pencurian model sehingga dapat diakses tanpa izin. Model dalam tingkat produksi dianggap sebagai kekayaan intelektual. Oleh karena itu, diperlukan perlindungan untuk melindungi model AI dari akses yang tidak sah. Kombinasi antara kriptografi dan obfuskasi pada aplikasi android menjadi salah satu solusi dalam melindungi model kecerdasan buatan (AI) dari potensi eksploitasi, kriptografi berfungsi untuk melindungi model AI, serta obfuskasi untuk mengaburkan kode dan menyembunyikan kunci dekripsi model di dalam aplikasi Android. Penelitian ini menggunakan model MobileNet V1 dalam format Tensorflow Lite di enkripsi menggunakan algoritma AES (Advanced Encryption Standard). Hasil penelitian menunjukkan bahwa algoritma AES berfungsi dengan baik dan cepat dalam proses enkripsi maupun dekripsi pada aplikasi android. Penerapan obfuskasi pada aplikasi android terbukti efektif dalam menyulitkan dalam analisis kode aplikasi dan mencegah pengambilan kunci dekripsi. Pendekatan ini menawarkan perlindungan tambahan untuk memastikan implementasi AI di aplikasi android menjadi lebih aman.
Downloads
References
S. P. Bayerl et al., “Offline Model Guard: Secure and Private ML on Mobile Devices,” CoRR, vol. abs/2007.02351, 2020, [Online]. Available: https://arxiv.org/abs/2007.02351
Y. Deng, “Deep Learning on Mobile Devices - A Review,” CoRR, vol. abs/1904.09274, 2019, [Online]. Available: http://arxiv.org/abs/1904.09274
A. Verma, “Encryption and Real Time Decryption for protecting Machine Learning models in Android Applications,” CoRR, vol. abs/2109.02270, 2021, [Online]. Available: https://arxiv.org/abs/2109.02270
M. Xu, J. Liu, Y. Liu, F. X. Lin, Y. Liu, and X. Liu, “A first look at deep learning apps on smartphones,” in The World Wide Web Conference, 2019, pp. 2125–2136.
Z. Deng, K. Chen, G. Meng, X. Zhang, K. Xu, and Y. Cheng, “Understanding Real-world Threats to Deep Learning Models in Android Apps,” in Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security, in CCS ’22. New York, NY, USA: Association for Computing Machinery, 2022, pp. 785–799. doi: 10.1145/3548606.3559388.
F. N. Pabokory, I. F. Astuti, and A. H. Kridalaksana, “Implementasi Kriptografi Pengamanan Data Pada Pesan Teks, Isi File Dokumen, Dan File Dokumen Menggunakan Algoritma Advanced Encryption Standard,” Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer, vol. 10, no. 1, pp. 20–31, 2016.
N. Berliano Novanka Putra, F. Amalia Raihana, W. Michael Albert Mondong, A. Rosadi Kardian, P. Siber dan Sandi Negara, and J. Barat, “Analisis Enkripsi Kriptografi Asimetris Algoritma RSA Berbasis Pemrograman Batch pada Media Flashdisk,” vol. 8, pp. 142–154, [Online]. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
D. A. Meko, “Perbandingan Algoritma DES, AES, IDEA Dan Blowfish dalam Enkripsi dan Dekripsi Data,” Jurnal Teknologi Terpadu (JTT), vol. 4, no. 1, 2018.
M. P and M. Samreetha, “A Review of Encryption and Decryption of Text Using the AES Algorithm,” International Journal of Scientific Research and Engineering Trends, vol. 10, pp. 400–404, Apr. 2024.
N. W. Hidayatulloh, M. Tahir, H. Amalia, N. A. Basyar, A. F. Prianggara, and M. Yasin, “Mengenal Advance Encryption Standard (AES) sebagai Algoritma Kriptografi dalam Mengamankan Data,” Digital Transformation Technology, vol. 3, no. 1, pp. 1–10, 2023.
S. Dong et al., “Understanding android obfuscation techniques: A large-scale investigation in the wild,” in Security and privacy in communication networks: 14th international conference, secureComm 2018, Singapore, Singapore, August 8-10, 2018, proceedings, part i, Springer, 2018, pp. 172–192.
G. You, G. Kim, S. J. Cho, and H. Han, “A comparative study on optimization, obfuscation, and deobfuscation tools in android,” Journal of Internet Services and Information Security, vol. 11, no. 1, pp. 2–15, 2021, doi: 10.22667/JISIS.2021.02.28.002.
Downloads
Published
How to Cite
Issue
Section
Categories
Abstract View: 0 times
