Scribd
Carregar
3 visualizações9 páginas

Detecção de Malware Android com ML

O documento aborda a detecção de malware em dispositivos Android utilizando aprendizado de máquina, destacando a necessidade de técnicas mistas e multi-níveis devido à evolução constante dos malwares. Além disso, apresenta um estudo sobre a detecção de cyberbullying em mídias sociais, onde um método proposto demonstrou alta acurácia e desempenho superior em comparação a outros algoritmos. Os resultados incluem uma precisão de 87% e recall de 90% na identificação de instâncias ofensivas.

Enviado por

ensino.medio1bc
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
3 visualizações9 páginas

Detecção de Malware Android com ML

O documento aborda a detecção de malware em dispositivos Android utilizando aprendizado de máquina, destacando a necessidade de técnicas mistas e multi-níveis devido à evolução constante dos malwares. Além disso, apresenta um estudo sobre a detecção de cyberbullying em mídias sociais, onde um método proposto demonstrou alta acurácia e desempenho superior em comparação a outros algoritmos. Os resultados incluem uma precisão de 87% e recall de 90% na identificação de instâncias ofensivas.

Enviado por

ensino.medio1bc
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd

Detecção de Malware

Android com Machine


Learning
Introdução

Com a popularização da Internet das Coisas, 5G e outras tecnologias, os


dispositivos inteligentes móveis estão se desenvolvendo rapidamente, e a
quantidade de aplicativos Android instalados em terminais inteligentes, como
telefones celulares e tablets, também está aumentando.
Junto a isso tem sido visto um aumento nos malwares direcionados à plataforma.
Otimização e Processamento de Dados

• O processamento de dados percorre todo o processo de detecção de malware


Android baseado em aprendizado de máquina, incluindo não apenas o
processamento de amostras coletadas de aplicativos Android, mas também o
processamento do conjunto de características extraídas dessas amostras.
Definindo o método

• O design do algoritmo deve ser mais inclinado para técnicas mistas e multi-
níveis. O tema da detecção de malwares no Android pode ser avaliado por
diferentes perspectivas, como processamento de imagem, processamento de
linguagem natural e mineração de dados.
Outra direção de pesquisa que não pode ser ignorada no aprendizado de
máquina é a deriva de conceito com o tempo, devido ao contínuo
desenvolvimento e evolução de malwares no Android o desempenho
preditivo de um classificador treinado diminui.
Ferramentas e Resultados

• Framework Transcend – Concept Drift

• DroidSpan

• DroidEvolver

• Acurácia de 21 a 37%
Deep Learning na
Detecção de Cyberbullying em
Mídias Sociais
Introdução

• Neste estudo, foram adotadas técnicas de visualização para explorar as


palavras mais frequentes em um conjunto de dados de detecção de
cyberbullying, usando uma técnica chamada de nuvem de palavras.
• O Word Cloud exibe as palavras mais frequentes presentes em tweets
codificados, revelando que nos tweets ofensivos, há nomes de políticos,
nomes de condados, palavras desrespeitosas e algumas palavras normais
que, quando combinadas, formam frases ofensivas
Método

• Uso de quatro métricas (precisão, F-medida, recall e acurácia)


• O método foi testado em diferentes divisões de treinamento-teste (75-25%,
50-50%, 30-70%, 20-80% e 10-90%), demonstrando uma queda de
desempenho à medida que o número de amostras de treinamento diminui. A
comparação com outros oito algoritmos de aprendizado de máquina mostra
que o método proposto supera os demais em termos de acurácia.
Conclusão

• A comparação com outros oito algoritmos de aprendizado de máquina mostra


que o método proposto supera os demais em termos de acurácia. mostrou
desempenho notável, com destaque para a precisão de 87% e recall de 90%
na detecção de instâncias ofensivas. A matriz de confusão exibe que cerca de
85% das instâncias não ofensivas são classificadas corretamente, enquanto
90% das instâncias ofensivas são classificadas corretamente.

Você também pode gostar