AVALIAÇÃO DE QUALIDADE DE CONJUNTOS DE DADOS DE MALWARE PARA APRENDIZADO DE MÁQUINA

Com o crescimento do ciberespaço, crescem também os danos causados por malwares, que são uma das principais ferramentas utilizadas por agentes maliciosos. Algoritmos de aprendizado de máquina vêm se consolidando como ferramentas importantes na detecção de ameaças. Modelos usados por esses algoritmos depende de dados para treinamento e teste. Nesse sentido, os conjuntos de dados de malware tornaram-se valiosos na implantação de sistemas anti-malwares modernos. No entanto, esses conjuntos de dados enfrentam problemas de qualidade das amostras, além de não acompanharem a velocidade da evolução tecnológica, tornando-se obsoletos. Além disso, muitos dos conjuntos de dados utilizados em pesquisas não são de acesso público. Este trabalho propõe uma estrutura de avaliação de qualidade baseada em métricas focadas na amostragem e na temporalidade dos dados. Ademais, incorpora critérios alinhados aos princípios FAIR, com o objetivo de incentivar a publicação de conjuntos de dados mais confiáveis e reutilizáveis.