[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118166-es":3,"doc-seo-118166-110":31,"detail-sidebar-cat-0-es-110":96},{"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},118166,137451207643,"Noah","https://ap-avatar.wpscdn.com/davatar_3d24733baf745e90a7e4bdd5f77d97b2",24,"Tecnología","Detección de malware utilizando técnicas de machine learning","Este Trabajo Fin de Grado aborda la detección de malware automatizada mediante técnicas de Machine Learning, evaluando si una muestra de software es maligna o no y clasificándola en categorías o familias. El enfoque emplea un dataset con trazas de ejecución, extracción de n-gramas y cálculo de features para entrenar modelos con clasificadores como KNN, SVM, Gradient Boosting y Regresión Logística, comparando clasificadores simples y múltiples. Los resultados muestran mejoras al filtrar categorías de interés vinculadas a comportamientos maliciosos, elevando métricas en ambos enfoques.","Trabajo Fin de Grado  \nDetecció n de malware utilizando técnicas de machine  \nlearning  \nMalware detection using machine learning techniques  \nAutor/es  \nJulia Varea Palacios  \nDirector/es  \nPedro Javier Álvarez Pérez-Aradrós  \nCodirector/es  \nRazvan Raducu  \nDepartamento Informática e Ingeniería de Sistemas  \nCentro  \nEscuela de Ingeniería y Arquitectura  \nTitulación del autor Grado en Ingeniería Informática  \nEscuela de Ingeniería y Arquitectura 2024  \nResumen  \nEn la era digital actual la ciberseguridad se ha convertido en un elemento crítico paraindividuos, empresas e instituciones de todo el mundo. Frente al aumento del númerode muestras de malware recopiladas y de su constante evolución, las técnicas de Machine Learning se presentan como una solución novedosa para la detección efectiva del malware.  \nEste trabajo se centra en la detección de malware, identificando si una muestra es maligna o no, empleando técnicas de Machine Learning para reconocer y clasificar muestras de software maligno en sus categorías o familias correspondientes.  \nMediante la automatización del proceso de detección de comportamientos maliciosos entrazas de ejecución de sistemas software y aplicando modelos de Machine Learning, el propósito de este trabajo es investigar la eficacia de técnicas de Machine Learning para la detección de malware.  \nPara llevar a cabo el proyecto, el primer paso es la selección de un dataset adecuado que contenga muestras de varias familias de malware con sus trazas de ejecución. Una vez conseguido, se comenzará el proceso de filtrado y preparado de los datos hasta obtenerun dataset que se adecue a las necesidades del proyecto.  \nEstos datos se someten a una serie de procesos de extracción de n-gramas, de creaciónde diccionarios y un cálculo de features para obtener características clasificatorias para cada una de las familias de malware.  \nPara cada conjunto de features calculadas con cada valor de n se crean modelos de Machine Learning. Estos modelos emplean varios clasificadores (KNN, SVM, Gradient Boosting y Regresión Logística) y se calcularán tanto clasificadores simples (un clasificador por familia de malware) como clasificadores múltiples (un solo modelo capaz declasificar todas las muestras) . Una vez obtenidos todos los modelos se calculan métricaspara realizar una comparación de todos ellos.  \nAl analizarlos se ha observado que los resultados obtenidos por los clasificadores múltiples superan los obtenidos por los clasificadores simples.  \nPara intentar mejorar los valores obtenidos por los modelos se implementará una mejorabasada en el filtrado de categorías de interés. Se definió una categoría de interés como una categoría de llamadas al sistema asociada con comportamientos maliciosos o que hagan vulnerable al sistema.  \nTras analizar los nuevos resultados se observa que la totalidad de los valores devueltos mejora, tanto en los clasificadores simples como en los clasificadores múltiples. Estodemuestra que la mejora implementada es efectiva a la hora de detectar y clasificardistintas categorías de malware, independientemente del modelo utilizado para la clasificación de las mismas.  \nGracias a la automatización del proceso, este proyecto abre paso a poder realizar trabajos futuros, añadiendo más funcionalidades o aplicando el proceso a otros datasets.  \nÍndice  \n1. Introducción 4  \n1.1. Contexto del trabajo ............................ 4  \n1.2. Técnicas de análisis y deteccción ...................... 5  \n1.3. Problema a resolver ............................. 7  \n1.4. Objetivos del proyecto ........................... 8  \n1.5. Estructura de la memoria ......................... 8  \n2. Detección de malware basado en IA 10  \n2.1. Técnicas habituales de Inteligencia Artificial ............... 10  \n2.2. Técnicas de aprendizaje basado en Machine Learning .......... 11  \n2.3. Trazas y extracción de n-gramas ...................... 12  \n2.4. Trabajos similares .............................. 13  \n3. Modelos para el re","cbCaij1aMt0rPIDH","https://ap.wps.com/l/cbCaij1aMt0rPIDH","pdf",1508563,3,1,59,"Spanish","es",110,"# Introducción\n## Contexto del trabajo\n## Técnicas de análisis y detección\n## Problema a resolver\n## Objetivos del proyecto\n## Estructura de la memoria\n# Detección de malware basado en IA\n## Técnicas habituales de Inteligencia Artificial\n## Técnicas de aprendizaje basado en Machine Learning\n## Trazas y extracción de n-gramas\n## Trabajos similares\n# Modelos para el reconocimiento de malware basado en n-gramas\n## Proceso para programación de modelos de detección\n## Metodología\n## Descripción del dataset\n## Sistemas de reconocimiento a programar\n## Discusión sobre los resultados\n# Evaluación de mejoras\n## Filtrado basado en categorías de interés\n## Sistemas de reconocimiento a programar\n## Resultados obtenidos\n## Discusión sobre los resultados\n# Conclusiones y trabajo futuros\n## Conclusiones técnicas\n## Conclusiones personales\n## Trabajo futuro\n# Bibliografía\n# Apéndice A. Glosario","[{\"question\":\"Qué objetivo principal persigue el trabajo?\",\"answer\":\"Investigar la eficacia de técnicas de Machine Learning para detectar malware y clasificar muestras de software maligno en familias o categorías correspondientes.\"},{\"question\":\"Qué datos y pasos de preprocesado se emplean para entrenar los modelos?\",\"answer\":\"Se selecciona un dataset con trazas de ejecución de varias familias de malware; luego se filtran y preparan los datos, se extraen n-gramas, se crean diccionarios y se calculan features clasificatorias.\"},{\"question\":\"Qué tipos de clasificadores se comparan y qué se observa en los resultados?\",\"answer\":\"Se usan clasificadores como KNN, SVM, Gradient Boosting y Regresión Logística, entrenando clasificadores simples y múltiples; se observa que los clasificadores múltiples superan a los simples.\"},{\"question\":\"Cómo se mejora el rendimiento y por qué funciona?\",\"answer\":\"Se implementa un filtrado basado en categorías de interés asociadas a comportamientos maliciosos o que vulneren el sistema; el conjunto de métricas mejora en ambos casos, independientemente del modelo de clasificación utilizado.\"}]","Detección de malware utilizando técnicas de machine learning | PDF",1785681967,91,{"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":91,"head_meta":93,"extra_data":95,"updated_unix":29},"malware-detection-using-machine-learning-techniques","",{"@graph":37,"@context":90},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/tecnología/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/malware-detection-using-machine-learning-techniques/118166/",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","2026-08-16","2026-08-02",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82,86],{"name":73,"@type":74,"acceptedAnswer":75},"Qué objetivo principal persigue el trabajo?","Question",{"text":76,"@type":77},"Investigar la eficacia de técnicas de Machine Learning para detectar malware y clasificar muestras de software maligno en familias o categorías correspondientes.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué datos y pasos de preprocesado se emplean para entrenar los modelos?",{"text":81,"@type":77},"Se selecciona un dataset con trazas de ejecución de varias familias de malware; luego se filtran y preparan los datos, se extraen n-gramas, se crean diccionarios y se calculan features clasificatorias.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué tipos de clasificadores se comparan y qué se observa en los resultados?",{"text":85,"@type":77},"Se usan clasificadores como KNN, SVM, Gradient Boosting y Regresión Logística, entrenando clasificadores simples y múltiples; se observa que los clasificadores múltiples superan a los simples.",{"name":87,"@type":74,"acceptedAnswer":88},"Cómo se mejora el rendimiento y por qué funciona?",{"text":89,"@type":77},"Se implementa un filtrado basado en categorías de interés asociadas a comportamientos maliciosos o que vulneren el sistema; el conjunto de métricas mejora en ambos casos, independientemente del modelo de clasificación utilizado.","https://schema.org",{"og:url":52,"og:type":92,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":94,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":97},[98,103,107,111,115,119,123,127,131,135],{"id":99,"doc_module":4,"doc_module_name":47,"category_name":100,"show_sort_weight":101,"slug":102},39,"Cómic",60,"comic",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":101,"slug":106},43,"Estilo de Vida","lifestyle",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":101,"slug":110},38,"Examen","exam",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":101,"slug":114},44,"General","general",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":101,"slug":118},41,"Investigación e Informes","research-report",{"id":120,"doc_module":4,"doc_module_name":47,"category_name":121,"show_sort_weight":101,"slug":122},37,"Literatura","literature",{"id":124,"doc_module":4,"doc_module_name":47,"category_name":125,"show_sort_weight":101,"slug":126},22,"Relatos y Novelas","story-novel",{"id":128,"doc_module":4,"doc_module_name":47,"category_name":129,"show_sort_weight":101,"slug":130},42,"Religión y Espiritualidad","religion-spirituality",{"id":132,"doc_module":4,"doc_module_name":47,"category_name":133,"show_sort_weight":101,"slug":134},40,"Salud y Atención Médica","healthcare",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":101,"slug":136},"technology"]