Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020
Identification
- Public canonical key
- radar:r-7d95ae2436c721da040bb57ec1e23c25
- Authors
- Bortoli, André Augusto · Duarte, Diego Ferreira
- Reported year
- 2025
- Reported language
- und
- Source type
- ComputationalNotebook
- First detected
- 2026-11-13T08:42:09.856273+00:00
- Last metadata observation
- 2026-11-13T08:42:09.856273+00:00
- Last HTTP verification
- Not checked
Institutions reported by the source
Universidade Federal do Rio Grande do Sul
Documentary abstract — original language
Malware, software malicioso projetado para danificar sistemas computacionais e aplicar golpes, prolifera-se em ritmo alarmante, com milhares de novas ameaças surgindo diariamente. Dispositivos Android, predominantes em smartphones, smartwatches, tablets e IoTs, representam uma vasta superfície de ataque, tornando a detecção de malware crucial. Embora existam técnicas avançadas de análise, o Aprendizado de Máquina (ML) emerge como uma ferramenta promissora para automatizar e acelerar a descoberta dessas ameaças. Este trabalho testa algoritmos de ML na detecção de códigos maliciosos a partir de características dinâmicas de execução. Para isso, foi empregada a base de dados CICMalDroid2020, composta por amostras de comportamento de malwares para Android obtidas dinamicamente, utilizando os algoritmos XGBoost, Naïve Bayes (NB), Support Vector Classifier (SVC) e Random Forest (RF). O estudo focou na avaliação empírica do impacto da técnica SMOTE, utilizada para mitigar o desequilíbrio de classes presente nos dados, na performance desses modelos. Os resultados indicam que, em 75% das configurações testadas, a aplicação do SMOTE levou a uma degradação de desempenho ou a melhorias apenas marginais, com uma perda média de 6,14 pontos percentuais. Algoritmos baseados em árvores, como XGBoost e Random Forest, consistentemente superaram os demais, alcançando sensibilidade ponderada acima de 94%. Infere-se que o SMOTE, embora amplamente utilizado, não se mostrou benéfico para a detecção de malware Android na base CICMalDroid2020, possivelmente devido à complexidade e esparsidade das características dinâmicas ou à natureza das relações maliciosas. Este trabalho destaca a robustez de modelos baseados em ensembles de árvores, como o XGBoost, e sugere que abordagens algorítmicas de balanceamento de dados podem ser mais eficazes que a geração de instâncias sintéticas em certos cenários de cibersegurança.
Identifiers
- DOI
- 10.5281/zenodo.15620299
Documentary context
- Documentary family
- unknown
- Source-reported types
- ComputationalNotebook
- Publishers
- Zenodo
Entity mentions are not evidence of legal recognition. Jurisdiction studied is separate from author affiliation country.
Sources
DataCite · Record 1
Cite this reference
Bortoli, André Augusto; Duarte, Diego Ferreira. Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020. 2025. https://doi.org/10.5281/zenodo.15620299
JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·
APA, Chicago, ISO 690: bibliographic formats using available fields. OSCOLA / Bluebook: structured data only; full legal citation compliance is not claimed without verification of required elements.
- APA
- Bortoli, André Augusto; Duarte, Diego Ferreira. (2025). Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020. https://doi.org/10.5281/zenodo.15620299
- Chicago
- Bortoli, André Augusto; Duarte, Diego Ferreira. Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020. 2025. https://doi.org/10.5281/zenodo.15620299
- ISO 690
- Bortoli, André Augusto; Duarte, Diego Ferreira. Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020. 2025. https://doi.org/10.5281/zenodo.15620299
Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31
UDTR Global Rights of Nature Legal Library. Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020. Documentary record: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-7d95ae2436c721da040bb57ec1e23c25/ · Last HTTP verification: not performed
Research dossiers and documentary relations
Source roles
Bibliographic / original publication source · https://zenodo.org/doi/10.5281/zenodo.15620299
An authority link alone does not verify a legal claim. Abstracts and full texts remain subject to their source terms.
Documentary status
Relevance pending
Library
This identity is not yet included in the Legal Library.