Título: Análisis comparativo de algoritmos de machine learning para detección de malware en aplicaciones Android
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 2022
Institución: Universidad Señor de Sipán
Resumen: El malware en dispositivos móviles Android es muy frecuente hoy en día, ya que
este sistema operativo posee un amplio mercado y es el más popular en este
ámbito, cabe señalar que en enero de 2021 se obtuvo 71.93% de dispositivos que
cuentan con Android, todas sus aplicaciones se basan en el kernel de Linux, el cual
es código abierto permitiendo la creación de aplicaciones de fuentes poco
confiables. A través de estos dispositivos los usuarios comparten su información
personal, confiando en que estas aplicaciones faciliten algunas tareas como pagos,
descarga de música, toma de fotos, etc., sin prever que puede ser vulnerable a los
ataques de aplicaciones maliciosas que pueden robar esta información. A pesar de
los notables esfuerzos de los proveedores de teléfonos Android y Google para
implementar mecanismos de seguridad en el software como Bouncer o Google Play
Protect, y también en el hardware como Sansung Knox, los autores de malware
siempre han encontrado la forma de eludirlos. En este escenario, las técnicas de
aprendizaje automático aplicadas en la detección de malware en conjunto con la
elaboración de una base de datos con características dinámicas de estas
aplicaciones, ha mostrado resultados sobresalientes, superando las limitaciones de
métodos de detección tradicionales basadas en firmas, siendo de gran ayuda para
la prevención de delitos informáticos. En esta investigación, se propone usar los
modelos de aprendizaje automático Random Forest (RF), Decisión Tree (DT) y kNearest Neighbor(k-NN) para la detección de malware utilizando características
descriptivas del comportamiento dinámico de un malware basado en el tráfico de
flujo de red utilizando enfoque propuesto por NetFlowMeter con una cantidad de
15945 muestras entre malware y goodware. La evaluación de los modelos indica
que, en cuanto a exactitud, RF tiene un 96%, DT 91.2% y k-NN 85.4%
respectivamente. Lo que demuestra que las características de flujo de red generan
una base de datos confiable y que el algoritmo Random Forest es el de mejor
desempeño en la identificación de malware en aplicaciones android.
Disciplina académico-profesional: Ingeniería de Sistemas
Institución que otorga el grado o título: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grado o título: Ingeniero de Sistemas
Jurado: Tuesta Monteza, Víctor Alexci; Cachay Maco, Junior Eugenio; Aguinaga Tello Juan Adolfo
Fecha de registro: 24-oct-2022