Key points are not available for this paper at this time.
Este estudo realiza um exame minucioso da detecção de malware utilizando técnicas de aprendizado de máquina, com foco na avaliação de vários modelos de classificação usando o conjunto de dados Mal-API-2019. O objetivo é avançar nas capacidades de cibersegurança identificando e mitigando ameaças de maneira mais eficaz. Métodos de aprendizado de máquina ensemble e não-ensemble, como Random Forest, XGBoost, K Vizinhos mais Próximos (KNN) e Redes Neurais, são explorados. Ênfase especial é dada à importância das técnicas de pré-processamento de dados, particularmente a representação TF-IDF e a Análise de Componentes Principais, na melhoria do desempenho dos modelos. Os resultados indicam que os métodos ensemble, especialmente Random Forest e XGBoost, exibem superioridade em precisão, exatidão e recuperação em comparação com os outros, destacando sua eficácia na detecção de malware. O artigo também discute limitações e potenciais direções futuras, enfatizando a necessidade de adaptação contínua para lidar com a natureza em evolução do malware. Esta pesquisa contribui para discussões em andamento na cibersegurança e oferece insights práticos para desenvolver sistemas de detecção de malware mais robustos na era digital.
Li et al. (Mon,) estudaram essa questão.