MH-FSF: um Framework para Reprodução, Experimentação e Avaliação de Métodos de Seleção de Características

• Vanderson Rocha UFAM
• Hendrio Bragança UFAM
• Diego Kreutz UNIPAMPA
• Eduardo Feitosa UFAM

DOI: https://doi.org/10.5753/sbseg_estendido.2024.243363

Resumo

Neste artigo apresentamos o framework MH-FSF, que reúne a reprodução e implementação de métodos de seleção de características de forma integrada, modular e extensível. Este é um esforço que envolveu diversos pesquisadores ao longo dos últimos anos. Para uma avaliação da extensiva do MH-FSF, implementamos e disponibilizamos 17 métodos de seleção de características, agrupados em 11 clássicos e 6 específicos de domínios, para o contexto de detecção de malware Android.

Referências

Alazab, M. (2020). Automated Malware Detection in Mobile App Stores Based on Robust Feature Generation. Electronics, 9:435.

Bhat, P. and Dutta, K. (2022). A Multi-Tiered Feature Selection Model for Android Malware Detection Based on Feature Discrimination and Information Gain. King Saud Univ. - Comp, and Inf. Sciences, 34(10, Part B).

Bragança, H., Rocha, V., Souto, E., Kreutz, D., and Feitosa, E. (2023). Capturing the Behavior of Android Malware with MH-100K: A Novel and Multidimensional Dataset. In XXIII SBSeg.

Cai, L., Li, Y., and Xiong, Z. (2021). JOWMDroid: Android Malware Detection Based on Feature Weighting with Joint Optimization of Weight-Papping and Classifier Parameters. Computers & Security, 100:102086.

Cao, C., Chicco, D., and Hoffman, M. M. (2020). The MCC-F1 Curve: a Performance Evaluation Technique for Binary Classification. arXiv preprint arXiv:2006.11278.

Dhal, P. and Azad, C. (2022). A Comprehensive Survey on Feature Selection in the Various Fields of Machine Learning. Applied Intelligence, 52(4):4543–4581.

Galib, A. H. and Hossain, M. (2020). Significant API Calls in Android Malware Detection (Using Feature Selection Techniques and Correlation Based Feature Elimination). In SEKE.

James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer.

Mahindru, A. and Sangal, A. L. (2021). SemiDroid: A Behavioral Malware Detector Based on Unsupervised Machine Learning Techniques Using Feature Selection Approaches. IJMLC, 12(5):1369–1411.

Naheed, N., Shaheen, M., Khan, S. A., et al. (2020). Importance of Features Selection, Attributes Selection, Challenges and Future Directions for Medical Imaging Data: A Review. CMES, 125(1).

Pedregosa, F., Varoquaux, G., et al. (2011). Scikit-learn: Machine Learning in Python. JMLR, 12:2825–2830.

Soares, T., Siqueira, G., Barcellos, L., et al. (2021). Detecção de Malwares Android: Datasets e Reprodutibilidade. In Anais da XIX ERRC, pages 43–48. SBC.

Sun, L., Li, Z., Yan, Q., Srisa-an, W., and Pan, Y. (2016). SigPID: Significant Permission Identification for Android Malware Detection. In MALWARE, pages 1–8. IEEE.