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.

Con el creciente uso de teléfonos móviles, el riesgo de infecciones de malware en estos dispositivos ha aumentado, lo que ha generado pérdidas económicas tanto para individuos como para organizaciones. Las investigaciones actuales se centran en la aplicación de aprendizaje automático para la detección y clasificación de estos programas maliciosos. En este contexto, el presente trabajo utiliza la frecuencia de comportamientos observados dinámicamente para detectar y clasificar malware empleando los algoritmos XGBoost, LightGBM y random forest. Los mejores resultados se obtuvieron con el algoritmo LightGBM, alcanzando un 94,1 % de precisión y un 93,9 % en exactitud, recall y F1-score, lo que demuestra la efectividad tanto del aprendizaje automático como del análisis dinámico de malware para mitigar 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.