[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-123273-es":3,"doc-seo-123273-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},123273,549768702563,"Sage","https://ap-avatar.wpscdn.com/avatar/8000c4aa63b76e948b?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786536092046926083",41,"Investigación e Informes","ANÁLISIS DINÁMICO DE MALWARE MEDIANTE ALGORITMOS DE DETECCIÓN BASADOS EN MACHINE LEARNING","El trabajo aborda el aumento del riesgo de infecciones de malware en teléfonos móviles y sus impactos económicos en individuos y organizaciones. Para enfrentar estas amenazas, se emplea análisis dinámico basado en la frecuencia de comportamientos observados durante la ejecución, como base para la detección y clasificación. Se evalúan los algoritmos XGBoost, LightGBM y random forest. Los mejores resultados se obtienen con LightGBM, alcanzando 94,1% de precisión y 93,9% en exactitud, recall y F1-score, evidenciando la efectividad conjunta del aprendizaje automático y el análisis dinámico para mitigar riesgos en dispositivos móviles.","Universidad de Lima Facultad de Ingeniería Carrera de Ingeniería de Sistemas  \nANÁLISIS DINÁMICO DE MALWARE MEDIANTE ALGORITMOS DE DETECCIÓNBASADOS EN MACHINE LEARNING  \nTesis para optar el Título Profesional de Ingeniero de Sistemas  \nErly Galia Villarroel Enriquez  \nCódigo 20182063  \nAsesor  \nJuan Manuel Gutierrez Cardenas  \nLima – Perú  \nEnero de 2025  \nAnálisis dinámico de malware mediante algoritmos de detección  \nbasados en machine learning  \nErly Galia Villarroel Enriquez  \n[20182063@aloe.ulima.edu.pe](20182063@aloe.ulima.edu.pe)  \nUniversidad de Lima  \nResumen: Con el creciente uso de teléfonos móviles, el riesgo de infecciones de malware en estos dispositivos ha aumentado, lo que ha generado pérdidas económicas tanto para individuos como para organizaciones. Las investigaciones actuales se centran en la aplicación de aprendizajeautomático para la detección y clasificación de estos programas maliciosos. En este contexto, el presente trabajo utiliza la frecuencia de comportamientos observados dinámicamente para detectary clasificar malware empleando los algoritmos XGBoost, LightGBM y random forest. Los mejores resultados se obtuvieron con el algoritmo LightGBM, alcanzando un 94,1 % de precisióny un 93,9 % en exactitud, recall y F1-score, lo que demuestra la efectividad tanto del aprendizajeautomático como del análisis dinámico de malware para mitigar amenazas de seguridad endispositivos móviles.  \nPalabras Clave: malware, machine learning, llamadas al sistema, detección, análisis dinámico  \nAbstract: With the increasing use of mobile phones, the risk of malware infections on these devices has risen, leading to financial losses for both individuals and organizations. Current research focuses on the application of machine learning for the detection and classification of these malicious programs. In this context, the present work uses the frequency of dynamically observed behaviors to detect and classify malware using the XGBoost, LightGBM, and random forest algorithms. The best results were obtained with the LightGBM algorithm, achieving 94.1% precision and 93.9% accuracy, recall, and F1-score, demonstrating the effectiveness of both machine learning and dynamic malware analysis in mitigating security threats on mobile devices.  \nKeywords: malware, machine learning, detection, system calls, dynamic analysis  \nLínea de investigación IDIC – ULIMA  \nProductividad y empleo → Innovación: Tecnologías y productos  \nÁrea y Sub-áreas de Investigación:  \nÁrea: Seguridad y privacidad  \nSub-área: Detección de intrusión/anomalías y mitigación de malware  \nTema: Sistema de detección de intrusos  \nObjetivo (s) de Desarrollo Sostenible (ODS)  \nODS 9 – Industria, innovación e infraestructura  \n1. PLANTEAMIENTO DEL PROBLEMA  \nEl informe de FortiGuard Labs (Fortinet, 2022) sobre América Latina y el Caribe revela que esta región concentró el 10% de los intentos de ciberataques a nivel mundial en 2021, sumando más  \nde 289 mil millones de intentos, lo que representa un aumento del 600% respecto al año anterior. En cuanto a los países más afectados, Perú ocupa el tercer lugar con 11,5 mil millones de intentos de ataques, solo por detrás de México y Brasil, según los datos recopilados por FortiGuard Labs.  \nDuo et al. (2022) mencionan que los ciberataques son problemas de seguridad que afectan alos sistemas informáticos, pudiendo deteriorar su funcionamiento o causar daños más graves. Estos ataques pueden incluir denegación de servicio, phishing, malware, entre otros. De acuerdo con Saravia et al. (2019), citado por Ashik et al. (2021), el malware es un software dañino que se introduce en programas legítimos para realizar actividades ilícitas. Con el crecimiento de internet y la proliferación de dispositivos conectados, los ataques de malware han aumentado, comprometiendo la privacidad de los usuarios.  \nAshik et al. (2021) indican que las infecciones de malware suelen originarse por la descarga de software gratuito, como juegos, navegadores we","cbCaid6vRnbBlzam","https://ap.wps.com/l/cbCaid6vRnbBlzam","pdf",304901,2,1,8,"Spanish","es",110,"# Planteamiento del problema\n## Riesgo de malware en dispositivos móviles y pérdidas asociadas\n## Definición y tipos de ciberataques\n## Origen de infecciones y vías de propagación del malware\n## Enfoques actuales y selección de características\n## Métodos propuestos y resultados relevantes","[{\"question\":\"¿Cuál es el objetivo del análisis dinámico de malware en el trabajo?\",\"answer\":\"Detectar y clasificar malware en dispositivos móviles usando la frecuencia de comportamientos observados dinámicamente durante su ejecución.\"},{\"question\":\"¿Qué algoritmos de machine learning se evalúan para la detección de malware?\",\"answer\":\"Se emplean XGBoost, LightGBM y random forest para comparar su desempeño en tareas de detección y clasificación.\"},{\"question\":\"¿Qué algoritmo obtiene el mejor rendimiento y con qué métricas?\",\"answer\":\"LightGBM logra los mejores resultados, con 94,1% de precisión y 93,9% en exactitud, recall y F1-score.\"}]","ANÁLISIS DINÁMICO DE MALWARE MEDIANTE ALGORITMOS DE DETECCIÓN BASADOS EN MACHINE LEARNING | PDF",1785815647,12,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"dynamic-malware-analysis-using-machine-learning-based-detection-algorithms","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/dynamic-malware-analysis-using-machine-learning-based-detection-algorithms/123273/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"¿Cuál es el objetivo del análisis dinámico de malware en el trabajo?","Question",{"text":76,"@type":77},"Detectar y clasificar malware en dispositivos móviles usando la frecuencia de comportamientos observados dinámicamente durante su ejecución.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"¿Qué algoritmos de machine learning se evalúan para la detección de malware?",{"text":81,"@type":77},"Se emplean XGBoost, LightGBM y random forest para comparar su desempeño en tareas de detección y clasificación.",{"name":83,"@type":74,"acceptedAnswer":84},"¿Qué algoritmo obtiene el mejor rendimiento y con qué métricas?",{"text":85,"@type":77},"LightGBM logra los mejores resultados, con 94,1% de precisión y 93,9% en exactitud, recall y F1-score.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]