Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms

Descripción del Articulo

Con la creciente popularidad del uso de teléfonos celulares, el riesgo de infecciones por malware en dichos dispositivos ha aumentado, lo que genera pérdidas financieras tanto para individuos como para organizaciones. Las investigaciones actuales se centran en la aplicación del aprendizaje automátic...

Descripción completa

Detalles Bibliográficos
Autores: Villarroel Enriquez, Erly Galia, Gutiérrez-Cárdenas, Juan
Formato: artículo
Fecha de Publicación:2024
Institución:Universidad de Lima
Repositorio:Revistas - Universidad de Lima
Lenguaje:inglés
español
OAI Identifier:oai:revistas.ulima.edu.pe:article/7097
Enlace del recurso:https://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097
Nivel de acceso:acceso abierto
Materia:malware
machine learning
detección
detection
id REVULIMA_c24eb757f0b3cdf960dcf859b80a5a57
oai_identifier_str oai:revistas.ulima.edu.pe:article/7097
network_acronym_str REVULIMA
network_name_str Revistas - Universidad de Lima
repository_id_str
spelling Dynamic Malware Analysis Using Machine Learning-Based Detection AlgorithmsAnálisis dinámico de malware mediante algoritmos de detección basados en machine learningVillarroel Enriquez, Erly Galia Gutiérrez-Cárdenas, Juanmalwaremachine learningdetecciónmalwaremachine learningdetectionCon la creciente popularidad del uso de teléfonos celulares, el riesgo de infecciones por malware en dichos dispositivos ha aumentado, lo que genera pérdidas financieras tanto para individuos como para organizaciones. Las investigaciones actuales se centran en la aplicación del aprendizaje automático para la detección y clasificación de estos programas malignos. Debido a esto el presente trabajo utiliza la frecuencia de llamadas al sistema para detectar y clasificar malware utilizando los algoritmos XGBoost, LightGBM y random forest. Los resultados más altos se obtuvieron con el algoritmo de LightGBM, logrando un 94.1% de precisión y 93.9% tanto para exactitud, recall y f1-score, lo que demuestra la efectividad tanto del uso del aprendizaje automático como del uso de comportamientos dinámicos del malware para la mitigación de amenazas de seguridad en dispositivos móviles.With the increasing popularity of cell phone use, the risk of malware infections on such devices has increased, resulting in financial losses for both individuals and organizations. Current research focuses on the application of machine learning for the detection and classification of these malware programs. Accordingly, the present work uses the frequency of system calls to detect and classify malware using the XGBoost, LightGBM and random forest algorithms. The highest results were obtained with the LightGBM algorithm, achieving 94,1 % precision and 93,9 % accuracy, recall, and F1-score, demonstrating the effectiveness of both machine learning and dynamic malware analysis in mitigating security threats on mobile devices.Universidad de Lima2024-07-31info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdftext/htmlhttps://revistas.ulima.edu.pe/index.php/Interfases/article/view/709710.26439/interfases2024.n19.7097Interfases; No. 019 (2024); 119-138Interfases; Núm. 019 (2024); 119-138Interfases; n. 019 (2024); 119-1381993-491210.26439/interfases2024.n19reponame:Revistas - Universidad de Limainstname:Universidad de Limainstacron:ULIMAengspahttps://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097/7154https://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097/7160https://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessoai:revistas.ulima.edu.pe:article/70972024-09-16T16:15:14Z
dc.title.none.fl_str_mv Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
Análisis dinámico de malware mediante algoritmos de detección basados en machine learning
title Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
spellingShingle Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
Villarroel Enriquez, Erly Galia
malware
machine learning
detección
malware
machine learning
detection
title_short Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
title_full Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
title_fullStr Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
title_full_unstemmed Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
title_sort Dynamic Malware Analysis Using Machine Learning-Based Detection Algorithms
dc.creator.none.fl_str_mv Villarroel Enriquez, Erly Galia
Gutiérrez-Cárdenas, Juan
author Villarroel Enriquez, Erly Galia
author_facet Villarroel Enriquez, Erly Galia
Gutiérrez-Cárdenas, Juan
author_role author
author2 Gutiérrez-Cárdenas, Juan
author2_role author
dc.subject.none.fl_str_mv malware
machine learning
detección
malware
machine learning
detection
topic malware
machine learning
detección
malware
machine learning
detection
description Con la creciente popularidad del uso de teléfonos celulares, el riesgo de infecciones por malware en dichos dispositivos ha aumentado, lo que genera pérdidas financieras tanto para individuos como para organizaciones. Las investigaciones actuales se centran en la aplicación del aprendizaje automático para la detección y clasificación de estos programas malignos. Debido a esto el presente trabajo utiliza la frecuencia de llamadas al sistema para detectar y clasificar malware utilizando los algoritmos XGBoost, LightGBM y random forest. Los resultados más altos se obtuvieron con el algoritmo de LightGBM, logrando un 94.1% de precisión y 93.9% tanto para exactitud, recall y f1-score, lo que demuestra la efectividad tanto del uso del aprendizaje automático como del uso de comportamientos dinámicos del malware para la mitigación de amenazas de seguridad en dispositivos móviles.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-31
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097
10.26439/interfases2024.n19.7097
url https://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097
identifier_str_mv 10.26439/interfases2024.n19.7097
dc.language.none.fl_str_mv eng
spa
language eng
spa
dc.relation.none.fl_str_mv https://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097/7154
https://revistas.ulima.edu.pe/index.php/Interfases/article/view/7097/7160
dc.rights.none.fl_str_mv https://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
text/html
dc.publisher.none.fl_str_mv Universidad de Lima
publisher.none.fl_str_mv Universidad de Lima
dc.source.none.fl_str_mv Interfases; No. 019 (2024); 119-138
Interfases; Núm. 019 (2024); 119-138
Interfases; n. 019 (2024); 119-138
1993-4912
10.26439/interfases2024.n19
reponame:Revistas - Universidad de Lima
instname:Universidad de Lima
instacron:ULIMA
instname_str Universidad de Lima
instacron_str ULIMA
institution ULIMA
reponame_str Revistas - Universidad de Lima
collection Revistas - Universidad de Lima
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1841719316502806528
score 12.924724
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).