Un modelo robusto y dinámico de detección y clasificación de malware utilizando el análisis basado en el...

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Ingeniería de software

Sus antecedentes:

• La clasificación de malware es difícil debido a la evolución de las amenazas.
• Los métodos de análisis estáticos basados en firmas son insuficientes para el malware sofisticado.
• El análisis basado en el comportamiento es crítico para la detección efectiva de malware.

Objetivo del estudio:

• Proponer un nuevo modelo de detección de malware que analice el comportamiento del archivo ejecutable.
• Mejorar la precisión de la clasificación de malware utilizando BERT para la extracción de características.
• Evaluar el rendimiento de diferentes clasificadores de aprendizaje automático en familias de malware.

Principales métodos:

• Los archivos ejecutables (.exe) fueron analizados para el comportamiento en un entorno seguro a través de VirusTotal.
• El modelo BERT se empleó para extraer características de los registros de comportamiento.
• Se evaluaron las máquinas vectoriales de soporte (SVM), el bosque aleatorio y los clasificadores de Bayes ingenuos.

Principales resultados:

• El modelo basado en el comportamiento propuesto logró una precisión del 92,25% y una puntuación F1 del 91,22% después de 100 épocas.
• SVM y Random Forest mostraron altas puntuaciones F1 para Adware (0.98) y BackDoor (0.91).
• Naïve Bayes se desempeñó mal para FakeAlert (puntuación F1: 0,64).

Conclusiones:

• El análisis basado en el comportamiento combinado con las características BERT es efectivo para la clasificación de malware.
• SVM y Random Forest son clasificadores confiables para esta tarea.
• Comprender las relaciones entre clases a través del análisis de correlación es valioso.