Resumen

La investigación actual propone la aplicación de técnicas de aprendizaje automático no supervisado y supervisado para caracterizar familias de malware de Android. Más precisamente, se aplica un novedoso método de proyección neural no supervisado para reducción de dimensionalidad, denominado Aprendizaje Beta Hebbiano (BHL), para analizar visualmente dicho malware. Además, se aplican por primera vez los bien conocidos Árboles de Decisión (DTs) supervisados para mejorar la caracterización de dichas familias y comparar las características originales identificadas como las más importantes. Las técnicas propuestas se validan al enfrentarse a datos reales de malware de Android mediante el conocido y públicamente disponible conjunto de datos Malgenome. Los resultados obtenidos respaldan el enfoque propuesto, confirmando la validez de BHL y DTs para obtener un profundo conocimiento sobre el malware de Android.

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Investigación; No supervisado; Supervisado; Aprendizaje automático; Malware de Android; Proyección neural
• Keywords:Research; Unsupervised; Supervised; Machine-learning; Android malware; Neural-projection