Análise preditiva e interpretação da classificação de malwares em sistemas android usando aprendizado de máquina

Página do item simplificado
dc.contributor.advisor1MOREIRA, Caio Carvalho
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1370619943470585pt_BR
dc.creatorAMARAL, Geovani da Silva do
dc.creator.Latteshttp://lattes.cnpq.br/6746195346016871pt_BR
dc.date.accessioned2024-11-21T17:02:32Z
dc.date.available2024-11-21T17:02:32Z
dc.date.issued2024-10-15
dc.description.abstractThis paper presents a predictive analysis for detecting malware on Android devices using Machine Learning and explainability methods to interpret the results. After preprocessing, the dataset was reduced to 34,076 samples and 179 features of system calls and permissions. Among the 13 classifiers evaluated, eXtreme Gradient Boosting (XGBoost) proved to be the most efficient, with accuracy, precision, recall, and F1-Score metrics of approximately 94% and a training time of 1.48s. The SHapley Additive exPlanations (SHAP) method was used to explain the model’s decisions, which revealed system calls and sensitive permissions, such as READ PHONE STATE, SYSTEM ALERT WINDOW, SEND SMS, ACCESS WIFI STATE, getpriority, and getrlimit strongly associated with malwares.pt_BR
dc.description.resumoEste trabalho apresenta uma análise preditiva para a detecção de malwares em dispositivos Android usando Aprendizado de Máquina e métodos de explicabilidade para interpretar os resultados. Apos os pre-processamento, o conjunto de dados foi reduzido para 34.076 amostras e 179 características de chamadas de sistema e permissões. Entre 13 classificadores avaliados, o eXtreme Gradient Boosting (XGBoost) mostrou-se o mais eficiente, com métricas de acurácia, precisão, recall e F1-Score de aproximadamente 94%, e Tempo de Treinamento de 1,48s. O método SHapley Additive exPlanations (SHAP) foi utilizado para explicar as decisões do modelo, o que revelou chamadas de sistema e permissões sensíveis, como READ PHONE STATE, SYSTEM ALERT WINDOW, SEND SMS, ACCESS WIFI STATE, getpriority e getrlimit, fortemente associados a malwares.pt_BR
dc.identifier.citationAMARAL, Geovani da Silva do. Análise preditiva e interpretação da classificação de malwares em sistemas android usando aprendizado de máquina. Orientador: Caio Carvalho Moreira. 2024. [7] f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2024. Disponível em:. Acesso em:pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/7448
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectMalwarespt_BR
dc.subjectAndroidpt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpt_BR
dc.titleAnálise preditiva e interpretação da classificação de malwares em sistemas android usando aprendizado de máquinapt_BR
dc.typeTrabalho de Curso - Graduação - Artigopt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Artigo_AnalisePreditivaInterpretacao.pdf
Tamanho:
925.7 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório