???jsp.display-item.identifier??? https://repositorio.unipampa.edu.br/jspui/handle/riu/6000
???org.dspace.app.webui.jsptag.ItemTag.full???
???org.dspace.app.webui.jsptag.ItemTag.dcfield??????org.dspace.app.webui.jsptag.ItemTag.value??????org.dspace.app.webui.jsptag.ItemTag.lang???
dc.contributor.advisor1Kreutz, Diego-
dc.creatorAssolin, Joner de Mello-
dc.date.accessioned2021-10-27T17:09:09Z-
dc.date.available2021-10-27T17:09:09Z-
dc.date.issued2021-10-01-
dc.identifier.citationASSOLIN, Joner de Mello. O impacto da seleção de permissões na detecção de malwares Android. Orientador: Diego Kreutz. 2021. 65p. Trabalho de Conclusão de Curso (Bacharel em Engenharia de Software) - Universidade Federal do Pampa, Curso de Engenharia de Software, Alegrete, 2021.pt_BR
dc.identifier.urihttps://repositorio.unipampa.edu.br/jspui/handle/riu/6000-
dc.description.abstractThe number of malicious apps is growing rapidly on the Android platform. Currently, many researches use predictive machine learning models to detect Android malware. To tackle the scalability challenge derived from this context, there are works that propose the use of a reduced number of permissions, as is the case with SigPID. In this work, we present a survey of the Android permissions most frequently used in machine learning methods and the performance of SigPID reproduction, including the 3 levels of permission selection and implementation and evaluation of the main learning methods. Unlike the original work, the reproduction was performed using a publicly available dataset. We compared the permissions at each selection level with the 32 permissions identified as the most recurring; the 113 from the chosen public dataset and the 22 permissions (contained in the dataset) considered dangerous by Google. Our initial study indicates that the number of permissions impacts training and execution time, as well as the accuracy of models. However, the execution time may not be significant enough to justify a smaller number of permissions for malware detection (e.g., reduction from 113 permissions to 27).pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Pampapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEngenharia de softwarept_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectMalwarespt_BR
dc.subjectPermissõespt_BR
dc.subjectAndroidpt_BR
dc.subjectSoftware engineeringpt_BR
dc.subjectLearning from the computerpt_BR
dc.subjectPermissionspt_BR
dc.titleO impacto da seleção de permissões na detecção de malwares Androidpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor-co1Rodrigues, Gustavo Cardozo-
dc.publisher.initialsUNIPAMPApt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.description.resumoO número de aplicativos maliciosos vem crescendo rapidamente na plataforma Android. Atualmente, muitas pesquisas utilizam modelos preditivos de aprendizado de máquina para detecção de malwares Android. Para atacar o desafio de escalabilidade derivado deste contexto, há trabalhos que propõe a utilização de um número reduzido de permissões, como é o caso do SigPID. Neste trabalho, apresentamos um levantamento das permissões Android mais frequentemente utilizadas em métodos de aprendizagem de máquina e a realização da reprodução do SigPID, incluindo os 3 níveis de seleção de permissões e implementação e avaliação dos principais métodos de aprendizagem. Diferentemente do trabalho original, a reprodução foi realizada utilizando um conjunto de dados publicamente disponível. Nós comparamos as permissões em cada nível de seleção com as 32 permissões identificadas como mais recorrentes; as 113 do conjunto de dados público escolhido e as 22 permissões (contidas no conjunto de dados), consideradas perigosas pela Google. Nosso estudo inicial indica que o número de permissões impacta o tempo de treinamento e execução, bem como a acurácia dos modelos. Entretanto, o tempo de execução pode não ser significativo a ponto de justificar um número menor de permissões para detecção de malwares (e.g., redução de 113 permissões para 27).pt_BR
dc.publisher.departmentCampus Alegretept_BR
???org.dspace.app.webui.jsptag.ItemTag.appears???Engenharia de Software

???org.dspace.app.webui.jsptag.ItemTag.files???
???org.dspace.app.webui.jsptag.ItemTag.file??? ???org.dspace.app.webui.jsptag.ItemTag.description??? ???org.dspace.app.webui.jsptag.ItemTag.filesize??????org.dspace.app.webui.jsptag.ItemTag.fileformat??? 
Joner de Mello Assolin - 2021.pdf1.46 MBAdobe PDF???org.dspace.app.webui.jsptag.ItemTag.view???


???jsp.display-item.copyright???