Resumen

En los ltimos aos, el malware para Android ha seguido creciendo a un ritmo alarmante. Las aplicaciones maliciosas ms recientes, que emplean tcnicas de evasin de deteccin muy sofisticadas, hacen que los mtodos tradicionales de deteccin de malware basados en aprendizaje automtico sean mucho menos eficaces. Ms concretamente, no pueden hacer frente a varios tipos de malware para Android y tienen limitaciones en la deteccin utilizando un nico algoritmo de clasificacin. Para hacer frente a esta limitacin, en este artculo proponemos un enfoque novedoso que aprovecha el aprendizaje automtico paralelo y las tcnicas de fusin de informacin para una mejor deteccin de malware Android, que se denomina. Para implementar este enfoque, primero extraemos ocho tipos de caractersticas del anlisis esttico de aplicaciones Android y construimos dos tipos de conjuntos de caractersticas despus de la seleccin de caractersticas. A continuacin, se desarrolla un modelo de deteccin de aprendizaje automtico paralelo para acelerar el proceso de clasificacin. Por ltimo, investigamos los enfoques de fusin de informacin basados en el anlisis de probabilidades y en la teora de Dempster-Shafer, que permiten obtener resultados de deteccin eficaces. Para validar nuestro mtodo, se seleccionan otros trabajos de deteccin del estado del arte para compararlos con aplicaciones Android del mundo real. Los resultados experimentales demuestran que es capaz de lograr una mayor precisin en la deteccin, as como una notable eficiencia en tiempo de ejecucin en comparacin con las soluciones de deteccin de malware existentes.

• Materias:Amenaza avanzada persistente Internet de las cosas Seguridad cibernética Estegoanálisis Cifrado descentralizado
• Subjects:Advanced persistent threat Internet of things Cyber security Stegoanalysis Decentralized encryption
• Palabras claves:Malware para android; Aprendizaje automático; Técnicas de detección; Extracción de características; Fusión de información; Modelo de clasificación paralelo
• Keywords:Android malware; Machine learning; Detection techniques; Feature extraction; Information fusion; Parallel classification model