Metaanálisis de la aplicación de aprendizaje automático en la detección de malware

González Herrera, Daniel. (2023). Metaanálisis de la aplicación de aprendizaje automático en la detección de malware Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
GonzalezHerreraDaniel-TFM.pdf GonzalezHerreraDaniel-TFM.pdf application/pdf 3.04MB
Título Metaanálisis de la aplicación de aprendizaje automático en la detección de malware
Autor(es) González Herrera, Daniel
Resumen El aumento de las amenazas cibernéticas y la evolución constante de las técnicas de ataque han impulsado la necesidad de sistemas de detección más robustos y eficientes. En este contexto, el aprendizaje profundo ha emergido como un enfoque prometedor, aprovechando su capacidad para extraer patrones y características complejas a partir de grandes volúmenes de datos. El objetivo del presente trabajo consiste en evaluar si la aplicación de técnicas de aprendizaje profundo, en el ámbito de la detección de malware, ofrece resultados positivos para su aplicación en este entorno. Ello se aborda mediante una revisión exhaustiva y sistemática de los estudios que aplican cualesquiera de estas técnicas (CNN, RNN, Autoencoders, . . . ) para detección de malware. El método utilizado consiste en la realización de un metaanálisis detallado de estas investigaciones, siguiendo la guía PRISMA, y teniendo en cuenta algunas características para la estratificación de dicho metaanálisis, como son la plataforma sobre la que se recibe el ataque y el tipo de análisis llevado a cabo. Los resultados obtenidos en el desarrollo del metaanálisis ofrecen una alta heterogeneidad, lo que no permite poder asegurar que sus conclusiones numéricas sean correctas. Sin embargo, el análisis crítico de todo el proceso ofrece, sin lugar a dudas, una lectura positiva en la aplicación de las técnicas de aprendizaje profundo para la detección de malware.
Abstract The increase in cyber threats and the constant evolution of attack techniques have driven the need for more robust and efficient detection systems. In this context, deep learning has emerged as a promising approach, harnessing its ability to extract complex patterns and features from large volumes of data. The objective of this study is to evaluate whether the application of deep learning techniques, in the field of malware detection, yields positive results for implementation in this environment. This is addressed through a comprehensive and systematic review of studies that apply any of these techniques (CNN, RNN, Autoencoders, etc.) for malware detection. The method used involves conducting a detailed meta-analysis of these research studies, following the PRISMA guidelines, and considering certain characteristics for the stratification of this meta-analysis, such as the platform on which the attack is received and the type of analysis carried out. The results obtained from the development of the meta-analysis exhibit high heterogeneity, which prevents us from guaranteeing the correctness of its numerical conclusions. However, the critical analysis of the entire process undeniably provides a positive outlook on the application of deep learning techniques for malware detection.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Palabra clave malware
aprendizaje profundo
metaanálisis
deep learning
meta-analysis
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Letón Molina, Emilio
Pérez Martín, Jorge
Fecha 2023-09
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Dgonzalez
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Dgonzalez
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 165 Visitas, 75 Descargas  -  Estadísticas en detalle
Creado: Fri, 01 Dec 2023, 05:51:00 CET