Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android
The most common solutions found in current academic literature for detecting malware on Android devices involve the use of machine learning-based classification models. Typically, such solutions require training models on datasets containing a significant number of samples (e.g., 100k, 1M) and featu...
| Autor principal: | Leão, Luiza Paula Moreira |
|---|---|
| Grau: | Trabalho de Conclusão de Curso |
| Idioma: | por |
| Publicado em: |
Brasil
2023
|
| Assuntos: | |
| Acesso em linha: |
http://riu.ufam.edu.br/handle/prefix/6909 |
| id |
oai:localhost:prefix-6909 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:localhost:prefix-69092025-03-10T21:08:41Z Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android Leão, Luiza Paula Moreira Feitosa, Eduardo Luzeiro http://lattes.cnpq.br/5939944067207881 Souto, Eduardo James Pereira http://lattes.cnpq.br/3875301617975895 Melo, César Augusto Viana http://lattes.cnpq.br/0097703442306179 https://orcid.org/0000-0001-6401-3992 Métodos de seleção Chamadas de api Permissões Datasets ENGENHARIAS Android (Recurso eletrônico) Malware (Software) The most common solutions found in current academic literature for detecting malware on Android devices involve the use of machine learning-based classification models. Typically, such solutions require training models on datasets containing a significant number of samples (e.g., 100k, 1M) and features (e.g., 3k, 500k). However, evaluating these datasets can be computationally time-consuming and can impact model quality. To mitigate these issues, researchers have proposed various methods for selecting specific features (such as permissions and API calls), reducing the dataset size without sacrificing identification capability. In this work, we propose to evaluate different recent methods for feature selection focused on specific characteristics, such as SigPID (Sun et al., 2016), which reduces the dimensionality of permissions, and SigAPI (Galib and Hossain, 2020), which reduces the dimensionality of API calls. As soluções mais encontradas na literatura acadêmica atualmente para detecção de malwares em dispositivos com sistema Android envolve o uso de modelos de classificação baseados em aprendizado de máquina. Tipicamente, este tipo de solução demanda o treinamento de modelos através de conjuntos de dados (comumente chamados de datasets) que contém números significativos de amostras (e.g., 100k, 1M) e características (e.g., 3k, 500k). Contudo, avaliar esses datasets demandam muito tempo de computação e podem impactar a qualidade dos modelos. Para mitigar esses problemas, pesquisadores vêm propondo diferentes métodos para selecionar características específicas (como permissões e chamadas de API), reduzindo o tamanho do dataset sem perder a capacidade de identificação. Neste trabalho, propomos avaliar diferentes métodos recentes de seleção focados em características específicas, como, por exemplo, o SigPID (Sun et al., 2016), que reduz a dimensionalidade de permissões; e o SigAPI (Galib e Hossain, 2020), que reduz a dimensionalidade de chamadas de API. 1 Não 2023-09-15T21:00:26Z 2023-09-15T21:00:26Z 2023-06-26 Trabalho de Conclusão de Curso LEÃO, Luiza Paula Moreira. Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android. 2023. 38 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Federal do Amazonas, Manaus (AM), 2023. http://riu.ufam.edu.br/handle/prefix/6909 por Acesso Aberto Brasil FT - Faculdade de Tecnologia Manaus (AM) Engenharia da Computação - Bacharelado - Manaus |
| institution |
Repositório Institucional - Universidade Federal do Amazonas |
| collection |
RI-UFAM |
| language |
por |
| topic |
Métodos de seleção Chamadas de api Permissões Datasets ENGENHARIAS Android (Recurso eletrônico) Malware (Software) |
| spellingShingle |
Métodos de seleção Chamadas de api Permissões Datasets ENGENHARIAS Android (Recurso eletrônico) Malware (Software) Leão, Luiza Paula Moreira Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android |
| topic_facet |
Métodos de seleção Chamadas de api Permissões Datasets ENGENHARIAS Android (Recurso eletrônico) Malware (Software) |
| description |
The most common solutions found in current academic literature for detecting malware on Android devices involve the use of machine learning-based classification models. Typically, such solutions require training models on datasets containing a significant number of samples (e.g., 100k, 1M) and features (e.g., 3k, 500k). However, evaluating these datasets can be computationally time-consuming and can impact model quality. To mitigate these issues, researchers have proposed various methods for selecting specific features (such as permissions and API calls), reducing the dataset size without sacrificing identification capability. In this work, we propose to evaluate different recent methods for feature selection focused on specific characteristics, such as SigPID (Sun et al., 2016), which reduces the dimensionality of permissions, and SigAPI (Galib and Hossain, 2020), which reduces the dimensionality of API calls. |
| author_additional |
Feitosa, Eduardo Luzeiro |
| author_additionalStr |
Feitosa, Eduardo Luzeiro |
| format |
Trabalho de Conclusão de Curso |
| author |
Leão, Luiza Paula Moreira |
| title |
Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android |
| title_short |
Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android |
| title_full |
Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android |
| title_fullStr |
Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android |
| title_full_unstemmed |
Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android |
| title_sort |
avaliando métodos de seleção de características específicas aplicados à detecção de malwares android |
| publisher |
Brasil |
| publishDate |
2023 |
| url |
http://riu.ufam.edu.br/handle/prefix/6909 |
| _version_ |
1831969942633709568 |
| score |
11.755432 |