Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40130| Título: | Análise e aplicação de modelos de inteligência artificial para detecção de malware em dispositivos móveis Android |
| Título(s) alternativo(s): | Analysis and application of artificial intelligence models for malware detection on Android mobile devices |
| Autor(es): | Silva, Pedro Coppo |
| Orientador(es): | Sampaio, Lucas Dias Hiera |
| Palavras-chave: | Segurança de sistemas Android (Recurso eletrônico) Aprendizado do computador System safety Android (Electronic resource) Machine learning |
| Data do documento: | 28-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | SILVA, Pedro Coppo. Análise e aplicação de modelos de inteligência artificial para detecção de malware em dispositivos móveis Android. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | A motivação para o estudo decorreu do crescimento contínuo de ameaças cibernéticas direcionadas a sistemas Android, agravado pela sensibilidade dos dados armazenados nesses dispositivos. Neste trabalho teve-se como objetivo analisar a eficácia de modelos de inteligência artificial (IA) na detecção de malware em dispositivos Android, utilizando o conjunto de dados CIC-MalDroid 2020. Os modelos aplicados foram Ada Boost, Gradient Boosting, KNN, Logistic Regression, MLPClassifier, Random Forest, SVM e XGBoost. O conjunto de dados adotado forneceu características estáticas e dinâmicas dos aplicativos, permitindo a aplicação de técnicas de aprendizado de máquina para identificar padrões associados a software maliciosos. Como conclusão, foi identificado que os modelos XGBoost, Gradient Boosting e Random Forest apresentaram melhor desempenho na detecção de diferentes categorias de malware (Adware, Banking Malware, SMS Malware e Riskware), contribuindo para o desenvolvimento de soluções mais eficazes na área de segurança móvel; respectivamente, os F1-Score foram 0,945577, 0,937279 e 0,937227. Em contrapartida, os modelos SVM, Logistic Regression e Ada Boost foram os modelos com pior desempenho, fornecendo respectivamente F1-Score 0,859231, 0,838185 e 0,796414. |
| Abstract: | The study is driven by the increasing number of cyber attacks on Android systems, given their widespread use and the sensitive data stored in them. The work aims to evaluate the efficiency of artificial intelligence (AI) models in detecting malware from Android devices using the CIC- MalDroid 2020 dataset. The models that were applied include AdaBoost, Gradient Boosting, and KNN. Others are Logistic Regression, MLPClassifier, Random Forest, SVM, and XGBoost. The acquired dataset provided the static and dynamic features of applications. Thus, machine learning techniques could be used to detect behaviors associated with malicious software. In summary, XGBoost, Gradient Boosting, and Random Forest models produced the best results for various types of malware such as Adware, Banking Malware, SMS Malware, and Riskware. This is quite enlightening towards getting better solutions in mobile security. Their respective F1- scores were 0.945577, 0.937279, and 0.937227. Conversely, the SVM, Logistic Regression, and AdaBoost models exhibited the lowest performance, providing F1-scores of 0.859231, 0.838185, and 0.796414, respectively. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40130 |
| Aparece nas coleções: | CP - Engenharia da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| inteligenciaartificialmalwareandroid.pdf | 1,43 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
