Resumen

En los últimos años, el número de malware en la plataforma Android ha ido en aumento, y con el uso generalizado de la tecnología de ofuscación de código, la precisión de los programas antivirus y los algoritmos de detección tradicionales es baja. La investigación de vanguardia actual muestra que los investigadores comenzaron a aplicar métodos de aprendizaje profundo para la detección de malware. Propusimos un algoritmo de detección de malware para Android basado en un modelo híbrido de aprendizaje profundo que combina la red de creencias profundas (DBN, por sus siglas en inglés) y la unidad recurrente de compuerta (GRU, por sus siglas en inglés). En primer lugar, se analiza el malware de Android; además de extraer características estáticas, también se extraen características de comportamiento dinámico con una fuerte capacidad anti-ofuscación. Luego, se construye un modelo híbrido de aprendizaje profundo para la detección de malware en Android. Debido a que las características estáticas son relativamente independientes, se utiliza la DBN para proces

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Android; Malware; Aprendizaje profundo; Algoritmo de detección; Modelo híbrido; Ofuscación
• Keywords:Android; Malware; Deep learning; Detection algorithm; Hybrid model; Obfuscation