Resumen

La detección de malware en Android es un tema complejo y crucial. En este artículo, proponemos un modelo de detección de malware utilizando un método de máquina de soporte vectorial (SVM) basado en pesos de características que son calculados por algoritmos de ganancia de información (IG) y optimización por enjambre de partículas (PSO). Los pesos de IG son evaluados en base a la relevancia entre las características y las etiquetas de clase, y los pesos de PSO son calculados de forma adaptativa para obtener la mejor aptitud (el rendimiento del modelo de clasificación SVM). Además, para superar los defectos del PSO básico, proponemos un nuevo método de peso de inercia adaptativo llamado PSO con peso de inercia adaptativo basado en la aptitud y caótico (FCAIW-PSO) que mejora el PSO básico y se basa en la aptitud y un término caótico. El objetivo es asignar pesos adecuados a las características para garantizar el mejor rendimiento en la detección de malware en Android. Los resultados de experimentos indican que los

• 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:Detección de malware en android; Máquina de vectores soporte; Pesos de características; Ganancia de información; Optimización de enjambre de partículas; Peso de inercia adaptable
• Keywords:Android malware detection; Support vector machine; Feature weights; Information gain; Particle swarm optimization; Adaptive inertia weight