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

Vista sencilla de ítem
dc.contributor.authorGonzález Herrera, Daniel
dc.contributor.directorLetón Molina, Emilio
dc.contributor.directorPérez Martín, Jorge
dc.date.accessioned2024-05-20T12:37:22Z
dc.date.available2024-05-20T12:37:22Z
dc.date.issued2023-09
dc.description.abstractEl 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.es
dc.description.abstractThe 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.en
dc.description.versionversión final
dc.identifier.urihttps://hdl.handle.net/20.500.14468/14627
dc.language.isoes
dc.publisherUniversidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject.keywordsmalware
dc.subject.keywordsaprendizaje profundo
dc.subject.keywordsmetaanálisis
dc.subject.keywordsdeep learning
dc.subject.keywordsmeta-analysis
dc.titleMetaanálisis de la aplicación de aprendizaje automático en la detección de malwarees
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
GonzalezHerreraDaniel-TFM.pdf
Tamaño:
3.04 MB
Formato:
Adobe Portable Document Format
Descargar
Colecciones
Trabajos de fin de máster (TFM)