Reevaluación de la detección de malware para Android basada en características en un contexto contemporáneo

Área de la Ciencia:

• Ciencias de la Computación
• Ciberseguridad
• Aprendizaje Automático

Sus antecedentes:

• La detección de malware para Android depende en gran medida del aprendizaje automático.
• Estudios anteriores exploraron varios conjuntos de características y modelos.
• El panorama cambiante de Android requiere una reevaluación de los métodos existentes.

Objetivo del estudio:

• Reimplementar y evaluar estudios fundamentales de aprendizaje automático basados en características para la detección de malware para Android.
• Evaluar la efectividad de los enfoques basados en características en un entorno contemporáneo.
• Comparar el rendimiento de las características de análisis estático frente a dinámico y de modelos simples frente a complejos.

Principales métodos:

• Reimplementación de 18 estudios clave (2013-2023) sobre detección de malware para Android.
• Se utilizó un conjunto de datos equilibrado de 124.000 aplicaciones.
• Se evaluaron conjuntos de características de análisis estático y dinámico, incluidas llamadas a la API, opcodes y tráfico de red.
• Se comparó el rendimiento de modelos de aprendizaje automático simples y complejos, incluidos los de conjunto.

Principales resultados:

• Los métodos basados en características lograron una precisión de detección superior al 98%.
• Las características de análisis estático (llamadas a la API, opcodes) fueron muy productivas.
• Las características de análisis dinámico (tráfico de red) mostraron beneficios moderados.
• Los modelos más simples a menudo superaron a los más complejos.
• Los modelos de conjunto combinaron eficientemente características estáticas y dinámicas.

Conclusiones:

• El aprendizaje automático basado en características sigue siendo una estrategia viable y eficaz para la detección de malware para Android.
• Los modelos simples y rápidos son competitivos, y a veces superiores, a los enfoques complejos.
• Las características de análisis estático son cruciales, y las características dinámicas ofrecen mejoras incrementales.