Use este identificador para citar ou linkar para este item:
http://riu.ufam.edu.br/handle/prefix/6909
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Feitosa, Eduardo Luzeiro | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5939944067207881 | pt_BR |
dc.contributor.referee1 | Souto, Eduardo James Pereira | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/3875301617975895 | pt_BR |
dc.contributor.referee2 | Melo, César Augusto Viana | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/0097703442306179 | pt_BR |
dc.creator | Leão, Luiza Paula Moreira | - |
dc.date.accessioned | 2023-09-15T21:00:26Z | - |
dc.date.available | 2023-09-15T21:00:26Z | - |
dc.identifier.citation | LEÃO, Luiza Paula Moreira. Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android. 2023. 38 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Federal do Amazonas, Manaus (AM), 2023. | pt_BR |
dc.identifier.uri | http://riu.ufam.edu.br/handle/prefix/6909 | - |
dc.description.abstract | The most common solutions found in current academic literature for detecting malware on Android devices involve the use of machine learning-based classification models. Typically, such solutions require training models on datasets containing a significant number of samples (e.g., 100k, 1M) and features (e.g., 3k, 500k). However, evaluating these datasets can be computationally time-consuming and can impact model quality. To mitigate these issues, researchers have proposed various methods for selecting specific features (such as permissions and API calls), reducing the dataset size without sacrificing identification capability. In this work, we propose to evaluate different recent methods for feature selection focused on specific characteristics, such as SigPID (Sun et al., 2016), which reduces the dimensionality of permissions, and SigAPI (Galib and Hossain, 2020), which reduces the dimensionality of API calls. | pt_BR |
dc.description.resumo | As soluções mais encontradas na literatura acadêmica atualmente para detecção de malwares em dispositivos com sistema Android envolve o uso de modelos de classificação baseados em aprendizado de máquina. Tipicamente, este tipo de solução demanda o treinamento de modelos através de conjuntos de dados (comumente chamados de datasets) que contém números significativos de amostras (e.g., 100k, 1M) e características (e.g., 3k, 500k). Contudo, avaliar esses datasets demandam muito tempo de computação e podem impactar a qualidade dos modelos. Para mitigar esses problemas, pesquisadores vêm propondo diferentes métodos para selecionar características específicas (como permissões e chamadas de API), reduzindo o tamanho do dataset sem perder a capacidade de identificação. Neste trabalho, propomos avaliar diferentes métodos recentes de seleção focados em características específicas, como, por exemplo, o SigPID (Sun et al., 2016), que reduz a dimensionalidade de permissões; e o SigAPI (Galib e Hossain, 2020), que reduz a dimensionalidade de chamadas de API. | pt_BR |
dc.language | por | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | FT - Faculdade de Tecnologia | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Métodos de seleção | pt_BR |
dc.subject | Chamadas de api | pt_BR |
dc.subject | Permissões | pt_BR |
dc.subject | Datasets | pt_BR |
dc.subject.cnpq | ENGENHARIAS | pt_BR |
dc.title | Avaliando métodos de seleção de características específicas aplicados à detecção de malwares Android | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.creator.affiliation | Universidade Federal do Amazonas | pt_BR |
dc.date.event | 2023-06-26 | - |
dc.publisher.localpub | Manaus (AM) | pt_BR |
dc.subject.controlado | Android (Recurso eletrônico) | pt_BR |
dc.subject.controlado | Malware (Software) | pt_BR |
dc.creator.orcid | https://orcid.org/0000-0003-1962-2873 | pt_BR |
dc.contributor.advisor1orcid | https://orcid.org/0000-0001-6401-3992 | pt_BR |
dc.creator.affiliation-init | UFAM | pt_BR |
dc.publisher.course | Engenharia da Computação - Bacharelado - Manaus | pt_BR |
Aparece nas coleções: | Trabalho de Conclusão de Curso - Graduação - Engenharias |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC_LuizaLeão.pdf | 1,19 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons