Enhancing Multiclass Malware Classification in Resource-Constrained Environments

arXiv cs.CR · 24 sept, 06:00

Un estudio propone modelos de aprendizaje automático ligero para clasificar malware en múltiples familias e individuos, combinando LightGBM y Random Forest con técnicas de balanceo de datos para dispositivos con recursos limitados. Los modelos logran precisiones del 89,1% y 91,2% en clasificación de familias de malware, superando los métodos actuales mientras mantienen eficiencia computacional en entornos IoT.