Resumen

En los últimos años, el malware de Android ha seguido creciendo a un ritmo alarmante. Las aplicaciones maliciosas más recientes emplean técnicas de evasión de detección altamente sofisticadas, lo que hace que los métodos tradicionales de detección de malware basados en aprendizaje automático sean mucho menos efectivos. Específicamente, no pueden hacer frente a varios tipos de malware de Android y tienen limitaciones en la detección al utilizar un solo algoritmo de clasificación. Para abordar esta limitación, proponemos un enfoque novedoso en este artículo que aprovecha técnicas de aprendizaje automático paralelo y fusión de información para una mejor detección de malware de Android, que se denomina. Para implementar este enfoque, primero extraemos ocho tipos de características de análisis estático en aplicaciones de Android y construimos dos tipos de conjuntos de características después de la selección de características. Luego, se desarrolla un modelo de detección de aprendizaje automático paralelo para acelerar el proceso de clasificación. Finalmente, investigamos enfoques

• 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