Publicação: Detecção Inteligente de Trojans com SHAP: Comparativo de Algoritmos de Aprendizado de Máquina e Capacidade de Inferência
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho tem o objetivo de investigar a aplicação de algoritmos de aprendizado de
máquina na detecção de malwares do tipo trojan, a partir da análise de dados de memória,
utilizando a metodologia de análise e treinamento de modelo descrita em (LEONEL;
MOLINOS;MIANI,2024). Utilizando o conjunto de dados CIC-MalMem-2022 (Canadian
Institute for Cybersecurity (2022)), foram empregados quatro algoritmos supervisionados,
são eles: (a) Árvore de Decisão, (b) Rede Neural Artificial, (c) Naive Bayes e (d) Support
Vector Machine, com o objetivo de comparar seus desempenhos em termos de acurácia,
interpretabilidade e eficiência computacional. A fim de promover maior transparência e
robustez aos modelos, foi incorporada a técnica SHAP (SHapley Additive exPlanations),
permitindo a análise da importância individual de cada atributo e a subsequente seleção do
conjunto das características. Além da avaliação tradicional por métricas estatísticas como
acurácia, precisão, sensibilidade e F1-score, este trabalho realiza uma análise aprofundada
do tempo de inferência dos modelos em cenários de execução unitária e em blocos. Os
resultados obtidos indicam que a aplicação combinada de técnicas de aprendizado de
máquina e inteligência artificial explicável é eficaz não apenas na detecção de trojans com
alta precisão, mas também na construção de classificadores mais enxutos, interpretáveis
e adaptáveis a contextos com restrições de tempo e recursos.
Abstract
Palavras-chave
Aprendizado de máquina, Trojan, Malware, Detecção de ameaças, Classificação supervisionada
Citação
SANTOS, Dhiogo Pereira. Detecção Inteligente de Trojans com SHAP: Comparativo de Algoritmos de aprendizado de Máquina e Capacidade de Inferência. 2025. 58 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal de Uberlândia, Uberlândia, 2025.