11 Aplicación de transfer learning a la detección de malware

La detección de malware es un problema que ha adquirido una mayor importancia en los últimos años con el incremento en la distribución de archivos maliciosos. El uso de machine learning es una de las soluciones propuestas en la literatura por su capacidad de detectar nuevas muestras maliciosas respe...

ver descrição completa

Detalhes bibliográficos
Autores: Escudero García, David, Muñoz Castañeda, Ángel Luis, Castro García, Noemí de
Formato: capítulo de livro
Fecha de publicación:2021
País:España
Recursos:Universidad de Castilla-La Mancha
Repositorio:RUIdeRA. Repositorio Institucional de la UCLM
OAI Identifier:oai:ruidera.uclm.es:10578/28614
Acesso em linha:http://doi.org/10.18239/jornadas_2021.34.11
http://hdl.handle.net/10578/28614
Access Level:acceso abierto
Palavra-chave:Ciberseguridad
transfer learning
Machine Learning
Detección de malware
id ES_3d58c01e8501344da3c0a5b4acab110f
oai_identifier_str oai:ruidera.uclm.es:10578/28614
network_acronym_str ES
network_name_str España
repository_id_str
spelling 11 Aplicación de transfer learning a la detección de malwareEscudero García, DavidMuñoz Castañeda, Ángel LuisCastro García, Noemí deCiberseguridadtransfer learningMachine LearningDetección de malwareLa detección de malware es un problema que ha adquirido una mayor importancia en los últimos años con el incremento en la distribución de archivos maliciosos. El uso de machine learning es una de las soluciones propuestas en la literatura por su capacidad de detectar nuevas muestras maliciosas respecto a soluciones tradicionales como los antivirus. No obstante, el uso de machine learning en este ámbito se encuentra con problemas como el desbalanceo entre ficheros maliciosos y benignos y la necesidad de actualizar los modelos para hacer frente a nuevo malware, que dificulta la construcción de una solución eficaz. En este trabajo planteamos el uso de técnicas de transfer learning para intentar paliar estos problemas y llevamos a cabo una evaluación de diferentes algoritmos de transfer learning para determinar si permiten construir modelos que sean capaces de detectar malware en diferentes horizontes temporales aprovechando datos antiguos.Ediciones de la Universidad de Castilla-La Mancha202120212021info:eu-repo/semantics/bookPartapplication/pdfapplication/pdfhttp://doi.org/10.18239/jornadas_2021.34.11http://hdl.handle.net/10578/28614reponame:RUIdeRA. Repositorio Institucional de la UCLMinstname:Universidad de Castilla-La ManchaEspañolinfo:eu-repo/semantics/openAccessoai:ruidera.uclm.es:10578/286142026-05-27T07:36:41Z
dc.title.none.fl_str_mv 11 Aplicación de transfer learning a la detección de malware
title 11 Aplicación de transfer learning a la detección de malware
spellingShingle 11 Aplicación de transfer learning a la detección de malware
Escudero García, David
Ciberseguridad
transfer learning
Machine Learning
Detección de malware
title_short 11 Aplicación de transfer learning a la detección de malware
title_full 11 Aplicación de transfer learning a la detección de malware
title_fullStr 11 Aplicación de transfer learning a la detección de malware
title_full_unstemmed 11 Aplicación de transfer learning a la detección de malware
title_sort 11 Aplicación de transfer learning a la detección de malware
dc.creator.none.fl_str_mv Escudero García, David
Muñoz Castañeda, Ángel Luis
Castro García, Noemí de
author Escudero García, David
author_facet Escudero García, David
Muñoz Castañeda, Ángel Luis
Castro García, Noemí de
author_role author
author2 Muñoz Castañeda, Ángel Luis
Castro García, Noemí de
author2_role author
author
dc.subject.none.fl_str_mv Ciberseguridad
transfer learning
Machine Learning
Detección de malware
topic Ciberseguridad
transfer learning
Machine Learning
Detección de malware
description La detección de malware es un problema que ha adquirido una mayor importancia en los últimos años con el incremento en la distribución de archivos maliciosos. El uso de machine learning es una de las soluciones propuestas en la literatura por su capacidad de detectar nuevas muestras maliciosas respecto a soluciones tradicionales como los antivirus. No obstante, el uso de machine learning en este ámbito se encuentra con problemas como el desbalanceo entre ficheros maliciosos y benignos y la necesidad de actualizar los modelos para hacer frente a nuevo malware, que dificulta la construcción de una solución eficaz. En este trabajo planteamos el uso de técnicas de transfer learning para intentar paliar estos problemas y llevamos a cabo una evaluación de diferentes algoritmos de transfer learning para determinar si permiten construir modelos que sean capaces de detectar malware en diferentes horizontes temporales aprovechando datos antiguos.
publishDate 2021
dc.date.none.fl_str_mv 2021
2021
2021
dc.type.none.fl_str_mv info:eu-repo/semantics/bookPart
format bookPart
dc.identifier.none.fl_str_mv http://doi.org/10.18239/jornadas_2021.34.11
http://hdl.handle.net/10578/28614
url http://doi.org/10.18239/jornadas_2021.34.11
http://hdl.handle.net/10578/28614
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Ediciones de la Universidad de Castilla-La Mancha
publisher.none.fl_str_mv Ediciones de la Universidad de Castilla-La Mancha
dc.source.none.fl_str_mv reponame:RUIdeRA. Repositorio Institucional de la UCLM
instname:Universidad de Castilla-La Mancha
instname_str Universidad de Castilla-La Mancha
reponame_str RUIdeRA. Repositorio Institucional de la UCLM
collection RUIdeRA. Repositorio Institucional de la UCLM
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869406434220834816
score 15.301603

Registos relacionados