UM MODELO BASEADO EM APRENDIZAGEM PROFUNDA PARA DETECÇÃO ESTÁTICA DE MALWARES ANDROID

INTRODUÇÃO: A popularidade do sistema operacional Android o consolida como o principal alvo de aplicações maliciosas, exigindo o aprimoramento de mecanismos contínuos e eficientes de segurança cibernética. Apesar do avanço de técnicas isoladas para inspecionar artefatos, a complexidade estrutural e a diversidade comportamental dos malwares modernos frequentemente limitam a capacidade de generalização de preditores monolíticos fundamentados em uma única camada de representação. OBJETIVOS: O objetivo geral deste estudo consiste em desenvolver, implementar e avaliar uma abordagem robusta para a detecção estática de malwares no ecossistema Android baseada no uso de representações multi-view e em técnicas de Seleção Dinâmica de Classificadores (DS). Especificamente, busca-se investigar a eficácia da unificação de características de alto e baixo nível, construir um comitê heterogêneo de aprendizado de máquina e verificar o impacto da competência local na discriminação de softwares benignos e maliciosos MATERIAIS E MÉTODO: A metodologia foi estruturada na coleta e indexação de 4.600 aplicativos móveis do repositório AndroZoo, rotulados por meio de verificação com motores do VirusTotal. Aplicou-se o balanceamento por undersampling aleatório, consolidando uma base equitativa de 4.466 instâncias. Para o cenário multi-view, realizou-se a fusão linear dos vetores de Chamadas de API (alto nível) e sequências de Opcodes (baixo nível), submetendo a matriz de atributos a um filtro de dimensionalidade baseado em variância. Induziu-se um comitê heterogêneo composto pelos algoritmos KNN, Random Forest, SVM, MLP e Naive Bayes nos cenários isolados (single-view) e integrado, aplicando posteriormente métodos de Seleção Dinâmica (OLA, LCA, KNORA-E e DES-KNN) pautados por indexação espacial local. RESULTADOS: A representação multi-view superou de forma consistente os cenários isolados, consolidando um espaço semântico mais resolutivo para a discriminação das classes. O classificador Multilayer Perceptron registrou ganho perceptível, elevando seu F1-Score de 0.9169 para 0.9242 e atingindo uma área sob a curva ROC de 0.9446 ao atuar na visão integrada. A aplicação das estratégias de Seleção Dinâmica otimizou os resultados do comitê heterogêneo, com destaque para o algoritmo Local Class Accuracy (LCA) na matriz multi-view, que alcançou o F1-Score máximo do estudo (0.9350) e manteve a métrica ROC-AUC superior a 0.9760. CONSIDERAÇÕES FINAIS: A pesquisa confirmou suas hipóteses experimentais ao provar que a unificação semântico-sintática de atributos estáticos e a delegação de predições com base na competência condicional local superam as abordagens tradicionais. Conclui-se que o modelo multi-view associado ao LCA resolve com excelência ambiguidades comportamentais de malwares Android, estabelecendo diretrizes sólidas e inovadoras para o aprimoramento de ferramentas de triagem automatizada na segurança cibernética móvel.

PALAVRAS-CHAVE: Android Malware; Análise Estática; Multi-view Learning; Seleção Dinâmica; Aprendizado de máquina.