Resumen

La detección de malware en Android es un tema de investigación importante en el área de seguridad. Existen una variedad de modelos de detección de malware basados en análisis de malware estáticos y dinámicos. Sin embargo, la mayoría de estos modelos no son muy exitosos cuando se trata de detectar malware evasivo. En este estudio, nuestro objetivo fue crear un modelo de detección de malware basado en un modelo de lenguaje natural llamado skip-gram para detectar malware evasivo con la mayor tasa de precisión posible. Para entrenar y probar nuestro modelo propuesto, utilizamos un conjunto de datos de malware actualizado llamado Argus Android Malware Dataset (AMD) ya que el AMD contiene diversas familias de malware evasivo e información detallada sobre ellos. Mientras tanto, para las muestras benignas, utilizamos el Conjunto de Datos Benignos de Android de Comodo. Nuestro modelo propuesto comienza extrayendo características basadas en skip-gram de secuencias de instrucciones de aplicaciones de Android. Luego aplica varios algoritmos de aprendizaje automático para clasificar las muestras como benignas o

• 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; Detección de malware; Skip-gram; Malware evasivo; Algoritmos de aprendizaje automático; Precisión de la detección
• Keywords:Android; Malware detection; Skip-gram; Evasive malware; Machine learning algorithms; Detection accuracy