Detección de malware en Android mediante Machine Learning y Deep Learning: revisión narrativa sistematizada

Falcon Benites, Oscar Sebastean · https://revistas.urp.edu.pe/index.php/Perfiles_Ingenieria/article/view/5394 (2026) · DOI: 10.31381/perfilesingenieria.v22i24.7986

Resumen

El ecosistema Android ha crecido enormemente y su naturaleza abierta lo ha convertido en el principal blanco del malware móvil. Las técnicas tradicionales de detección basadas en firmas y heurísticas resultan insuficientes ante amenazas cada vez más sofisticadas. En este artículo se presenta una revisión narrativa sistematizada con componente cienciométrico sobre los avances recientes en la detección de malware en Android mediante Machine Learning y Deep Learning. La búsqueda consideró publicaciones entre 2020 y 2025 indexadas en IEEE Xplore, ScienceDirect, SpringerLink, ACM Digital Library, MDPI y Scopus. Se analizaron 63 fuentes mediante Python, Google Colab y Zotero bajo el flujo PRISMA 2020. Los resultados muestran un predominio de arquitecturas CNN, LSTM, Transformer y GNN, además de técnicas de extracción de características basadas en permisos, API calls, opcodes y system calls. Se concluye que los enfoques híbridos y autoajustables logran mayores tasas de detección y menor FPR frente a los métodos tradicionales.

Instituciones: Universidad Ricardo Palma