Malware DataLab: uma Plataforma de Ensino-Aprendizagem e Experimentação para Geração de Dados Sintéticos na Detecção de Malware Android
Palavras-chave:
Cibersegurança, Malware Android, Inteligência Artificial, Dados Sintéticos, Aprendizado de Máquina, Ensino-Aprendizagem, Experimentação, Hackers do BemSinopse
A detecção de malware Android baseada em aprendizado de máquina é limitada pela escassez, pelo viés e pela curta validade de conjuntos de dados representativos, enquanto as técnicas envolvidas (como redes adversárias generativas) permanecem difíceis de ensinar e de reproduzir. Este artigo apresenta o Malware DataLab, uma plataforma web integrada que combina um laboratório de ensino-aprendizagem com um laboratório de experimentação para geração de dados tabulares sintéticos. A plataforma integra o MalSynGen, um gerador de dados sintéticos baseado em redes neurais, ao Cloud AutoDroid, um backend distribuído e escalável que orquestra experimentos conteinerizados sob demanda. Descrevemos as funcionalidades da ferramenta, sua arquitetura e implementação, e uma avaliação com 76 usuários (incluindo residentes do programa Hackers do Bem), que apontou 84,6% de conclusão de tarefas e um Net Promoter Score de aproximadamente 81. A plataforma, sua documentação e os artefatos associados estão abertamente disponíveis.
Downloads
Referências
AI & Data Today (2023). Top 10 reasons why ai projects fail. [link]. Acesso em: 10 jul. 2026.
Assolin, J. et al. (2022). DroidAutoML: uma ferramenta de AutoML para o domínio de detecção de malwares android. In Anais Estendidos do XXII Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais (SBSeg), pages 135–142, Porto Alegre, RS, Brasil. SBC.
Casola, K., Oleques, K., Mansilha, R. B., and Kreutz, D. (2023). DroidAugmentor: ferramenta de treinamento e avaliação de cGANs para geração de dados sintéticos. Technical report, Universidade Federal do Pampa (UNIPAMPA).
Fava, F. B. et al. (2024). Assessing the performance of docker in docker containers for microservice-based architectures. In 32nd Euromicro International Conference on Parallel, Distributed and Network-Based Processing (PDP), Dublin, Ireland. IEEE.
Ho, J., Jain, A., and Abbeel, P. (2020). Denoising diffusion probabilistic models. In Advances in Neural Information Processing Systems, volume 33, pages 6840–6851.
Laviola, L. F., Mansilha, R. B., and Kreutz, D. (2024). Cloud AutoDroid: uma arquitetura de backend para executar serviços de ia generativa na nuvem. In Anais Estendidos da Escola Regional de Engenharia de Software (ERES), Porto Alegre, RS, Brasil. SBC.
Laviola, L. F., Mansilha, R. B., and Kreutz, D. (2025). Cloud AutoDroid: Um sistema distribuído escalável para execução de ferramentas de ia generativa. In Anais Estendidos do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), Porto Alegre, RS, Brasil. SBC.
Meijin, L. et al. (2022). A systematic overview of android malware detection. Applied Artificial Intelligence, 36(1):2007327.
Miranda, T. d. C. et al. (2022). Debiasing android malware datasets: How can i trust your results if your dataset is biased? IEEE Transactions on Information Forensics and Security, 17:2182–2197.
Nogueira, A. G. D., Paim, K. O., Bragança, H., Mansilha, R. B., and Kreutz, D. (2024a). Geração de dados sintéticos tabulares para detecção de malware android: um estudo de caso. In Anais do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg), Porto Alegre, RS, Brasil. SBC.
Nogueira, A. G. D., Paim, K. O., Bragança, H., Mansilha, R. B., and Kreutz, D. (2024b). MalSynGen: redes neurais artificiais na geração de dados tabulares sintéticos para detecção de malware. In Anais Estendidos do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg), Porto Alegre, RS, Brasil. SBC.
Nogueira, A. G. D., Paim, K. O., Bragança, H., Mansilha, R. B., and Kreutz, D. (2025). MalDataGen: A modular framework for synthetic tabular data generation in malware detection. In Anais Estendidos do Simpósio Brasileiro de Cibersegurança (SBSeg), Porto Alegre, RS, Brasil. SBC.
Nogueira, A. G. D., Paim, K. O., Mansilha, R. B., and Kreutz, D. (2024c). Otimização de hiperparâmetros da DroidAugmentor para geração de dados sintéticos de malware android. In Anais da Escola Regional de Redes de Computadores (ERRC), Porto Alegre, RS, Brasil. SBC.
Paim, K. O., Nogueira, A. G. D., Mansilha, R. B., and Kreutz, D. (2024). Uma introdução sobre redes adversárias generativas (gans) e suas aplicações na cibersegurança. In UniHacker: Tecnologias e Desafios em Cibersegurança I. Disponível em: [link].
Pinheiro Cinelli, L. et al. (2021). Variational autoencoder. pages 111–149. Springer International Publishing, Cham.
Rodrigues, R. N., Ferreira, L., Mansilha, R. B., and Kreutz, D. (2024). Jarvas: um chatbot assistente via aplicativos de mensagens instantâneas para aplicações científicas. In Anais Estendidos da Escola Regional de Engenharia de Software (ERES), Porto Alegre, RS, Brasil. SBC.
Schepke, C. et al. (2024). DinD-Bench: impacto de contêineres docker em docker para a programação paralela. In Anais da XXIV Escola Regional de Alto Desempenho da Região Sul (ERAD-RS), Porto Alegre, RS, Brasil. SBC.
Siqueira, G. et al. (2022). Avaliação de ferramentas de AutoML em datasets de detecção de malwares android. In Anais do XXII Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais (SBSeg), pages 302–315, Porto Alegre, RS, Brasil. SBC.
Soares, T. et al. (2021a). Detecção de malwares android: datasets e reprodutibilidade. In Anais da XIX Escola Regional de Redes de Computadores (ERRC), pages 43–48, Porto Alegre, RS, Brasil. SBC.
Soares, T. et al. (2021b). Detecção de malwares android: levantamento empírico da disponibilidade e da atualização das fontes de dados. In Anais da XIX Escola Regional de Redes de Computadores (ERRC), pages 49–54, Porto Alegre, RS, Brasil. SBC.
Sonco, L., Laviola, L. F., Mansilha, R. B., and Kreutz, D. (2024). Uma gui para hackers do bem aprenderem sobre malwares sintéticos. In Anais Estendidos da Escola Regional de Engenharia de Software (ERES), Porto Alegre, RS, Brasil. SBC.
Vilanova, L. et al. (2022). ADBuilder: uma ferramenta de construção de datasets para detecção de malwares android. In Anais Estendidos do XXII Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais (SBSeg), pages 143–150, Porto Alegre, RS, Brasil. SBC.
Downloads
Data de publicação
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
