Avaliação de Métodos de Classificação baseados em Regras de Associação para Detecção de Malwares Android

Abstract

O nosso principal objetivo e apresentar uma análise exploratória do desempenho e da viabilidade de três modelos de regras de associação existentes na literatura (CBA, CMAR, CPAR) no contexto de classificação de malwares Android. Além disso, desenvolvemos também um novo modelo de classificação baseado em regras de associação e qualidade de regras, denominado EQAR, que estende o algoritmo clássico ECLAT. Para fins de comparação dos quatro modelos, utilizamos três datasets frequentemente utilizados para o treino de modelos de detecção de malwares Android: DREBIN-215, KronoDroid Emulador e KronoDroid Dispositivo Real. Os resultados indicam que os métodos de classificação baseados em regras de associação apresentam bons resultados, entretanto, os metodos avaliados dificilmente conseguem atingir a estabilidade de métricas e os resultados numéricos alcançados por modelos de aprendizado de máquina, como RandomForest e SVM, no domínio de detecção de malwares Android.

AutoCAR: Automação e Reprodutibilidade de Testes de Métodos de Classificação Baseados em Regras de Associação

“…Existem três algoritmos clássicos de minerac ¸ão por regras de associac ¸ão, o Apriori, FP-Growth, e ECLAT [Li and Sheu, 2021]. A partir deles surgiram diversos métodos especializados de classificac ¸ão baseados em regras de associac ¸ão, definidos como integrac ¸ão de classificac ¸ão e minerac ¸ão por regras de associac ¸ão [Liu et al, 1998], como CBA [Liu et al, 1998], CMAR [Li et al, 2001], CPAR [Yin and Han, 2003], AR-CID [Abdellatif et al, 2018] e EQAR [Rocha et al, 2022], que incorporam e evoluem os algoritmos clássicos.…”