Revisión de algoritmos de detección de malware ofuscado basados en machine learning
Resumen
Los desarrolladores de malware cada vez evolucionan más sus técnicas para lograr atacar efectivamente el sistema, una de estas técnicas es la ofuscación de código que dificulta la detección de malware en los mecanismos tradicionales que utilizan los antivirus actuales. Ante ello se propone la revisión de artículos relacionados a detección de malware ofuscado con machine learning para elegir las mejores técnicas de análisis de este tipo de malware y emplear los mejores algoritmos para una futura experimentación con los mismos.
Descargas
Citas
Ashik, M., Jyothish, A., Anandaram, S., Vinod, P., Mercaldo, F., Martinelli, F., & Santone, A. (2021). Detection of malicious software by analyzing distinct artifacts using machine learning and deep learning algorithms. Electronics, 10(14), 1694. https://doi.org/10.3390/electronics10141694
Duo, W., Zhou, M., & Abusorrah, A. (2022). A survey of cyber attacks on cyber physical systems: Recent advances and challenges. IEEE/CAA Journal of Automatica Sinica, 9(5), 784-800. https://doi.org/10.1109/JAS.2022.105548
Fortinet. (2022, 8 de febrero). América Latina sufrió más de 289 mil millones de intentos de ciberataques en 2021 [Comunicado de prensa]. https://www.fortinet.com/lat/corporate/about-us/newsroom/press-releases/2022/fortiguard-labs-reporte-ciberataques-america-latina-2021
International Business Machines. (2022).X-Force Threat Intelligence Index 2022.IBM Security X-Force. https://www.ibm.com/security/data-breach/threat-intelligence/
Liu, K., Xu, S., Xu, G., Zhang, M., Sun, D., & Liu, H. (2020). A review of android malware detection approaches based on machine learning. IEEE Access, 8, 124579-124607. https://doi.org/10.1109/ACCESS.2020.3006143
Lee, D., Jeon, G., Lee, S., & Cho, H. (2022). Deobfuscating mobile malware for identifying concealed behaviors. Computers, Materials and Continua, 72(3), 5909-5923. http://dx.doi.org/10.32604/cmc.2022.026395
Mimura, M., & Ito, R. (2022). Applying NLP techniques to malware detection in a practical environment. International Journal of Information Security, 21(2), 279-291. https://doi.org/10.1007/s10207-021-00553-8
Ouk, P. C., & Pak, W. (2022). High performance classification of android malware using ensemble machine learning. Computers, Materials and Continua, 72(1), 381-398. http://dx.doi.org/10.32604/cmc.2022.024540
Sun, B., Takahashi, T., Ban, T., & Inoue, D. (2021). Detecting Android malware and classifying its families in large-scale datasets. ACM Transactions on Management Information Systems (TMIS), 13(2), 1-21. https://doi.org/10.1145/3464323
Surendran, R., & Thomas, T. (2022). Detection of malware applications from centrality measures of syscall graph. Concurrency and Computation: Practice and Experience, 34(10), e6835. https://doi.org/10.1002/cpe.6835
Wu, B., Chen, S., Gao, C., Fan, L., Liu, Y., Wen, W., & Lyu, M. R. (2021). Why an Android app is classified as malware: Toward malware classification interpretation. ACM Transactions on Software Engineering and Methodology (TOSEM), 30(2), 1-29. https://doi.org/10.1145/3423096
Derechos de autor 2022 Actas del Congreso Internacional de Ingeniería de Sistemas
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.