Resumen

Recientemente, ha surgido malware móvil altamente elaborado, ya que los dispositivos móviles manejan información altamente valiosa y sensible. Actualmente, es imposible detectar y prevenir todo el malware porque la cantidad de nuevo malware continúa aumentando exponencialmente; los métodos de detección de malware deben mejorar para responder de manera rápida y efectiva al malware. Para una respuesta rápida, es importante revelar el propósito principal o las funciones del malware capturado; sin embargo, solo unos pocos trabajos recientes han intentado encontrar el propósito principal del malware. Nuestro enfoque está diseñado para ayudar con respuestas a incidentes eficientes y efectivas o el desarrollo de contramedidas mediante el análisis de las principales funciones del comportamiento malicioso. En este documento, proponemos un método novedoso para el análisis de malware orientado a funciones basado en el análisis de patrones de llamadas API sospechosas. En lugar de extraer patrones de llamadas API para el malware en cada familia, nos enfocamos en extraer tales patrones para ciertas funcionalidades maliciosas. Nuestro método propuesto volca secciones de memoria donde se asigna una aplicación y extrae secuencias de llamadas API sospechosas del bytecode comparándolas con listas predefinidas de llamadas API sospechosas. Al comparar los patrones de llamadas API con nuestra base de datos de funcionalidades, nuestro método determina si son maliciosos. Los resultados del experimento demuestran que nuestro método tiene un buen rendimiento en la detección de malware con alta precisión.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Malware; Dispositivos móviles; Métodos de detección; Comportamiento malicioso; Patrones de llamadas a API; Respuesta a incidentes
• Keywords:Malware; Mobile devices; Detection methods; Malicious behavior; API call patterns; Incident responses