Navegando por Autor "Azevedo, Rafael Alvarenga de"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Estudo e implementação de classificadores binários para detecção de malwares de Android baseados em features estáticas
    (2023-11-21) Azevedo, Rafael Alvarenga de; Mestre Mário Luiz Rodrigues Oliveira
    Este trabalho oferece uma visão abrangente sobre a crescente dependência da sociedade contemporânea em relação à tecnologia, em particular aos dispositivos móveis . Diante disso, destaca-se que aplicativos maliciosos de Android podem ser usados para uma ampla gama de atividades ilícitas que afetam a segurança e a privacidade dos usuários. Logo, é necessário uma intervenção por parte de pesquisadores para responder e mitigar esse tipo de ameaça cibernética. Para contribuir com essa premissa, conduziu-se uma revisão sistemática da literatura, de estudos entre os anos de 2015 a 2021, para identificar técnicas e ferramentas que tratam problemas de Análise de Malware em dispositivos Android. Consequentemente, leram-se 60 artigos na íntegra para compilar e classificar técnicas e ferramentas, tipos de malwares e técnicas anti-análise de malware, mais recorrentes. Por conseguinte, os resultados deste trabalho permitem concluir que a análise de malwares em dispositivos Android está em constante evolução, pois existem técnicas tanto para analisar amostras, como para impedir esta análise. Ainda, identificaram-se 118 técnicas, de classes distintas, para tratar os problemas dessa área de estudo; 357 ferramentas, classificadas como as técnicas; 9 técnicas anti-análises; e 14 tipos de malwares. Adicionalmente, por meio da montagem de um dataset com 10000 aplicativos, legítimos e maliciosos, com o emprego das técnicas Permission based Analysis, Call Graph Analysis e Taint Analysis, conclui-se que é possível caracterizar aplicativos Android, na medida em que são identificados métodos alcançáveis no call graph de um app e métodos que vazam informações sensíveis do usuário. Com o dataset pronto, implementou-se e avaliou-se os resultados dos seguintes classificadores binários: Decision Tree, Random Forest, Adaboost, Naive Bayes e SVM (RBF).