Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020

Identification

Clé publique
radar:r-7d95ae2436c721da040bb57ec1e23c25
Auteurs
Bortoli, André Augusto · Duarte, Diego Ferreira
Année déclarée
2025
Langue déclarée
und
Type source
ComputationalNotebook
Première détection
2026-11-13T08:42:09.856273+00:00
Dernière observation des métadonnées
2026-11-13T08:42:09.856273+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Universidade Federal do Rio Grande do Sul

Résumé documentaire — langue originale

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.

Identifiants

DOI
10.5281/zenodo.15620299

Repères documentaires

Famille documentaire
unknown
Types déclarés par les sources
ComputationalNotebook
Éditeurs
Zenodo

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

DataCite · Document 1

Citer cette référence

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 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

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 — Bibliothèque juridique mondiale des droits de la Nature. Experimento da Avaliação Empírica do SMOTE na Detecção de Malware Android com Machine Learning: Desafios e Desempenho no CICMalDroid 2020. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-7d95ae2436c721da040bb57ec1e23c25/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://zenodo.org/doi/10.5281/zenodo.15620299

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature