Detección de malware de linux con métodos de aprendizaje automático aplicados a datos de

135 Pages·2017·1.95 MB·Spanish

Universidad Politécnica de Madrid
Escuela Técnica Superior de Ingenieros de
Sistemas Informáticos
Grado en Ingeniería de Computadores
DETECCIÓN DE MALWARE DE LINUX CON MÉTODOS DE
APRENDIZAJE AUTOMÁTICO APLICADOS A DATOS DE ANÁLISIS
ESTÁTICO
Autor: Jose Antonio Quevedo Muñoz
Director: Luis Miguel Pozo Coronado
Madrid, 10 de julio de 2018

DETECCIÓN DE MALWARE DE LINUX CON MÉTODOS DE
APRENDIZAJE AUTOMÁTICO APLICADOS A DATOS DE ANÁLISIS
ESTÁTICO
Autor: Jose Antonio Quevedo Muñoz
Director: Luis Miguel Pozo Coronado
Departamento de Matemática Aplicada a las TIC
Escuela Técnica Superior de Ingenieros de Sistemas Informáticos
Universidad Politécnica de Madrid
10 de julio de 2018

Dedicatoria
A mi padre, al son de las trompetas.
“Si logré ver más lejos fue porque subí a hombros de gigantes”
C
Detección de malware de Linux con métodos de aprendizaje automático aplicados a datos de análisis estático

Agradecimientos
Perdonadme porque me es imposible nombraros a todos.
Os doy las gracias.
A los compañeros, con los que he compartido y aprendido cada día.
A los profesores que tuve, cuyo esfuerzo diario ha hecho que este camino haya valido la pena.
A los profesores del Departamento de Matemática Aplicada a las TIC de esta escuela:
Alfonsa, Luis Miguel, Maria Ángeles, Jose Ignacio, ..
Y de otros departamentos:
José Luis, Carola, Frank, Pedro Pablo, Jorge Enrique, Paco, Agustín, Marta, Paula, Pablo, ..
No tengo palabras.
A los amigos que son apoyo en los momentos difíciles y alegría en las victorias.
A Esther, mi pareja, que parece mentira que tras tantas aventuras aún me apoye con una sonrisa.
A su familia, que es la mía, juntos hacemos un gran equipo.
A mi familia, que siempre me apoyó en llevar mi vocación adelante.
A todos los que me apoyasteis en el camino.
Este trabajo, que representa el fin de una etapa y el comienzo de otra, también es vuestro.
Gracias.
E
Detección de malware de Linux con métodos de aprendizaje automático aplicados a datos de análisis estático

Resumen
Resumen —
En este proyecto se aplican técnicas de aprendizaje automático supervisado sobre dos conjuntos de
ficheros binarios compuestos por goodware y malware. Partiendo de sus informes de análisis estático, se
pretende de detectar si un fichero es malware o no.
Se ha tomado como goodware dos conjuntos de ficheros pertenecientes a la distribución Debian
GNU/Linux[1] arquitectura amd64 e i386, y como malware los 3565 ficheros binarios del dataset de
malware de Linux de Virushare [2].
Estos conjuntos de datos se han unido de manera que conforman dos datasets, los mismos binarios de
malware,distintosbinariosdegoodware,unoparacadaarquitectura.Sobreestosdatasetsseharealizado
un análisis estático para obtener los informes, los cuales han sido parseados para elaborar una lista con
todas las palabras que aparecen en cada uno de ellos junto con su número de apariciones. La selección de
características se ha hecho eliminando en primer lugar las palabras con menor varianza en su número de
apariciones,yluegosehanescogidolask-mejorescaracterísticasutilizandoelcriterioespecíficodefiltrado
para clasificación χ2. Estos procesos de filtrado de características se han hecho tomando las decisiones
sobre el subconjunto de entrenamiento para evitar fugas de datos y obtener así un resultado fiable.
Finalmente, se han entrenado varios modelos de clasificación, se han validado y medido sus resultados
para, por último, compararlos.
A raíz de los resultados obtenidos, se ha realizado una investigación hacia atrás para identificar las
características que producen dichos resultados. Esto nos ha permitido obtener un conocimiento más
profundo de los criterios basados en datos que están utilizando los algoritmos para tomar las decisiones
de clasificación.
Palabras clave — aprendizaje automático supervisado, detección de malware, análisis estático,
Debian, Linux, selección de características
i
Detección de malware de Linux con métodos de aprendizaje automático aplicados a datos de análisis estático