<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático"^^ . "En este proyecto se han aplicando técnicas de aprendizaje automático supervisado sobre un conjunto\r\nde ficheros ejecutables Linux de arquitectura ARM con el objetivo de predecir su funcionalidad partiendo\r\nde las hipótesis de que las muestras son malware.\r\nComo verdad fundamental se ha tomado el etiquetado obtenido de cada muestra de VirusTotal, que\r\nproporciona la interpretación de 63 antivirus, las cuales han sido unificadas con AVClass. Esta verdad\r\nfundamental se describe como una variable objetivo discreta multiclase.\r\nSe han generado los informes de análisis estático y dinámico de cada muestra utilizando la herramienta\r\nLiSa. Estos informes han sido preprocesados a modo de bolsa de palabras o bag-of-words, elaborando\r\nasí una lista con todas las palabras que aparecen en cada uno de estos informes junto con su número de\r\napariciones.\r\nLa selección de características se ha hecho eliminando en primer lugar las palabras con menor número\r\nde apariciones para evitar la identificación individual de las muestras por parte de los modelos y para\r\nreducir el coste computacional del procedimiento. Despues se ha aplicado un filtro TFIDF y se han\r\nescogido las k-mejores características utilizando el filtro específico para clasificación x2. Estos procesos\r\nde filtrado de características se han hecho sobre el subconjunto de entrenamiento para evitar fugas de\r\ndatos, lo que nos llevaría a resultados irreales.\r\nCon este dataset se han entrenado, medido y comparado 42 combinaciones de técnicas de muestreo\r\ny modelos de clasificación. La conclusiones más destacables han sido que ninguna de las técnicas de\r\nmuestreo ha supuesto una ventaja para clasificar malware en este contexto, y que aunque ninguno de\r\nlos modelos obtenidos tiene capacidad de aportar información relevante en una aplicación real, el modelo\r\nque mejor comportamiento ha mostrado y con mejores posibilidades de obtener resultados satisfactorios\r\nen futuros proyectos es la red neuronal."^^ . "2020" . . . "Telecomunicacion"^^ . . . "otro, Telecomunicacion"^^ . . . . . . . . . <> . . "José Antonio"^^ . "Quevedo Muñoz"^^ . "José Antonio Quevedo Muñoz"^^ . . "Luis"^^ . "Pozo Coronado"^^ . "Luis Pozo Coronado"^^ . . . . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático (PDF)"^^ . . . "TESIS_MASTER_JOSE_ANTONIO_QUEVEDO_MUNOZ_2020.pdf"^^ . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático (Other)"^^ . . . . . . "preview.jpg"^^ . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático (Other)"^^ . . . . . . "medium.jpg"^^ . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático (Other)"^^ . . . . . . "small.jpg"^^ . . . "Desarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático (Other)"^^ . . . . . . "indexcodes.txt"^^ . . "HTML Summary of #64465 \n\nDesarrollo de un modelo de clasificación de malware Linux ARM según su funcionalidad utilizando técnicas de aprendizaje automático\n\n" . "text/html" . . . "Telecomunicaciones"@es . "Telecommunications"@en . .