DESENVOLVIMENTO DE UM SISTEMA DE DETECÇÃO ESTÁTICA DE MALWARE PARA DISPOSITIVOS MÓVEIS COM ALGORITMOS DE MACHINE LEARNING

INTRODUÇÃO: A detecção de malware Android por meio de análise estática tem adotado, de forma crescente, redes neurais profundas que representam o binário da aplicação (arquivo classes.dex) como uma imagem. Contudo, para atender aos requisitos de entrada fixa dessas arquiteturas, as abordagens tradicionais redimensionam as imagens geradas, um processo que descarta informação estrutural e padrões de granularidade fina em bytes, o que degrada a capacidade de generalização dos modelos OBJETIVOS: Este trabalho teve como objetivo desenvolver um sistema de detecção estática de malware para dispositivos móveis, utilizando algoritmos de aprendizado de máquina para classificar aplicativos Android com alta precisão e baixo consumo de recursos computacionais MATERIAIS E MÉTODO: Foi construído um dataset próprio com 22.058 amostras de APK (11.107 goodwares e 10.951 malwares), coletadas do repositório AndroZoo ao longo de cinco anos e rotuladas por meio da plataforma VirusTotal. Propôs-se um esquema de codificação Byte-to-Video, no qual o binário é particionado em uma sequência de frames de 224×224 pixels, preservando a integridade estrutural do bytecode, e classificado por Redes Neurais Convolucionais 3D (ResNet3D-18 e DenseNet121 3D), comparadas a abordagens 2D tradicionais e a modelos híbridos CNN-LSTM avaliados na primeira fase da pesquisa. RESULTADOS: A abordagem proposta elevou o F1-score de 0,93 para 0,95 e a AUC de 0,96 para 0,98 no dataset próprio, em comparação às contrapartes 2D. Na validação externa com o benchmark CICMalDroid, o modelo alcançou F1-score de 0,97 e taxa média de verdadeiros positivos de 0,97 entre quatro famílias de malware, superando em 0,04 abordagens da literatura. Um protótipo funcional (AndroidMalwareDetector) e um repositório público de reprodutibilidade foram disponibilizados. CONSIDERAÇÕES FINAIS: Os resultados demonstram que tratar o binário como um vídeo elimina o gargalo de informação inerente ao redimensionamento 2D e melhora de forma consistente a generalização da detecção entre famílias heterogêneas de malware, viabilizando arquiteturas eficientes para o contexto de dispositivos móveis.

PALAVRAS-CHAVE: Malware Android; Análise estática; Redes Neurais Convolucionais; Aprendizado Profundo; Segurança de dispositivos móveis.