Metaanálisis de la aplicación de aprendizaje automático en la detección de malware
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...
| Author: | |
|---|---|
| Format: | master thesis |
| Publication Date: | 2023 |
| Country: | España |
| Institution: | Universidad Nacional de Educación a Distancia |
| Repository: | e-spacio. Repositorio Institucional de la UNED |
| Language: | Spanish |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/14627 |
| Online Access: | https://hdl.handle.net/20.500.14468/14627 |
| Access Level: | Open access |
| Keyword: | 1203.04 Inteligencia artificial malware aprendizaje profundo metaanálisis deep learning meta-analysis |
| Summary: | 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. |
|---|