Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
MADLIRA — Detección de malware mediante aprendizaje y recuperación de información para Android | Kitploit
Herramientas/GitHubGitHub/dkhuuthe/madlira
Seguridad AndroidAnálisis EstáticoAnálisis de MalwareAprendizaje Automático
GitHubdkhuuthe/madlira

MADLIRA

Detección de malware mediante aprendizaje y recuperación de información para Android

Ver Repositorio
7327174hace 6 añosRevisado por Kitploit
Compartir

MADLIRA

Detección de malware mediante aprendizaje y recuperación de información para Android

Resumen

MADLIRA es una herramienta para la detección de malware en Android. Consiste en dos componentes: el componente TFIDF y el componente de aprendizaje SVM. En general, toma como entrada un conjunto de malware y benevolentes (benwares) y luego extrae los comportamientos maliciosos (componente TFIDF) o calcula el modelo de entrenamiento (clasificador SVM). Luego, utiliza este conocimiento para detectar comportamientos maliciosos en la aplicación de Android.

Instalación

Descargue el archivo MADLIRA.7z y descomprímalo.

Datos instalados:

  • MADLIRA.jar es la aplicación principal.
  • noAPI.txt declara el prefijo de las API.
  • family.txt lista los malwares por familia.
  • La carpeta TrainData contiene la configuración y el modelo de entrenamiento.
  • La carpeta Samples contiene datos de muestra.
  • La carpeta TempData contiene datos para el cálculo del kernel.

Funcionalidad

Esta herramienta tiene dos componentes principales: el componente TFIDF y el componente SVM.

Componente TFIDF

Command: java -jar MADLIRA TFIDF

Para este componente, hay dos funciones: la función de entrenamiento (extracción de comportamiento malicioso) y la función de prueba (detección de comportamiento malicioso).

Extracción de comportamiento malicioso

  • Recolecte aplicaciones benignas y maliciosas y colóquelas en carpetas llamadas benginAPKFolder y maliciousApkFolder, respectivamente.
  • Prepare los datos de entrenamiento y empaquételos en dos archivos llamados benignPack y maliciousPack usando el comando:
MADLIRA TFIDF packAPK -PB benignApkFolder -B benignPack -PM maliciousApkFolder -M maliciousPack
  • Extraiga los comportamientos maliciosos de los dos archivos empaquetados (benignPack y maliciousPack) usando el comando:
java -jar MADLIRA TFIDF train -B benignPack -M maliciousPack

Detección de comportamiento malicioso

  • Recolecte nuevas aplicaciones y colóquelas en una carpeta llamada checkApk.
  • Detecte los comportamientos maliciosos de las aplicaciones en la carpeta checkApk usando el comando:
java -jar MADLIRA TFIDF check -S checkApk

Comando:

java -jar MADLIRA TFIDF train <Options>
        Compute the malicious specifications for given training data.
                -B <filename>: the archive file contains all graphs of training benwares.
                -M <filename>: the archive file contains all categories of training malwares.

java -jar MADLIRA TFIDF check <Options>
        Check malicious behaviors in the given applications in a folder.
                -S <folder>: the folder contains all applications (apk files).

java -jar MADLIRA TFIDF test <Options>
        Test the classifier for a given test data.
                -S <folder>: the folder contains all graphs for testing.

java -jar MADLIRA TFIDF clear
        Clean all training data.

java -jar MADLIRA TFIDF install
        Clean old training data and install a new data for training.
                -B <filename>: the archive file contains all graphs of training benwares.
                -M <filename>: the archive file contains all categories of training malwares.

Ejemplos:

Entrenamiento de nuevos datos:

  • Primero recolecte las aplicaciones de entrenamiento (archivos APK) y guárdelas en carpetas llamadas MalApkFolder y BenApkFolder.
  • Empaquete las aplicaciones de entrenamiento en archivos comprimidos llamados MalPack y BenPack usando este comando:
java -jar MADLIRA TFIDF packAPK -PB BenApkFolder -B BenPack -PM MalApkFolder -M MalPack
  • Limpie los datos de entrenamiento antiguos:
java -jar MADLIRA TFIDF clear
  • Calcule los grafos maliciosos a partir de los paquetes de entrenamiento (BenPack y MalPack)
java -jar MADLIRA TFIDF train -B BenPack -M MalPack

Verificación de nuevas aplicaciones:

  • Coloque estas aplicaciones en una carpeta llamada checkApk y use este comando:
java -jar MADLIRA TFIDF check -S checkApk

Salida: salida

Componente SVM

Command: java -jar MADLIRA SVM

Para este componente, hay dos funciones: la función de entrenamiento y la función de prueba.

Fase de entrenamiento

  • Recolecte aplicaciones benignas en una carpeta llamada benignApkFolder y aplicaciones maliciosas en una carpeta llamada maliciousApkFolder.
  • Prepare los datos de entrenamiento usando los comandos:
java -jar MADLIRA SVM packAPK -PB benignApkFolder -B benignPack -PM maliciousApkFolder -M maliciousPack
  • Calcule el modelo de entrenamiento con este comando:
java -jar MADLIRA SVM train -B benignPack -M maliciousPack

Detección de comportamiento malicioso

  • Recolecte nuevas aplicaciones y colóquelas en una carpeta llamada checkApk
  • Detecte los comportamientos maliciosos de las aplicaciones en la carpeta checkApk usando el comando:
java -jar MADLIRA SVM check -S checkApk

Comando:

java -jar MADLIRA SVM train <Options>
        Compute the classifier for given training data.
                -T <T>: max length of the common walks (default value = 3).
                -l <lambda>: lambda value to control the importance of length of walks (default value = 0.4).
                -B <filename>: the archive file contains all graphs of training benwares.
                -M <filename>: the archive file contains all graphs of training malwares.

java -jar MADLIRA SVM check <Options>
        Check malicious behaviors in the applications in a folder.
                -S <foldername>: the folder contains all apk files.

java -jar MADLIRA SVM test <Options>
        Test the classifier for given graph data.
                -S <foldername>: the folder contains all graphs of test data.
                -n <n>: the number of test samples.

java -jar MADLIRA SVM clear
        Clean all training data.

Paquetes:

Esta herramienta utiliza los siguientes paquetes:

  • apktool-2.2.1 (https://ibotpeaches.github.io/Apktool/)
  • ojalgo-41.0.0 (https://github.com/optimatika/ojAlgo)
  • libsvm (http://www.csie.ntu.edu.tw/~cjlin/libsvm/)
  • antlr (https://www.antlr3.org/)

Referencias

  • Khanh Huu The Dam and Tayssir Touili. Extracting Android Malicious Behaviors. In Proceedings of ForSE 2017
  • Khanh Huu The Dam and Tayssir Touili. Learn Android malware. In Proceedings of IWSMA@ARES 2017
Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    530
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    479
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    369
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    319
  • 5

    estorides

    grisuno/estorides

    Agrega más de 99 fuentes OSINT gratuitas en paralelo, resuelve entidades en un grafo de conocimiento y exporta STIX 2.1, MISP o GraphML con análisis asistido por LLM.

    294
  • 6

    opencti

    opencti-platform/opencti

    Plataforma abierta de inteligencia de amenazas cibernéticas

    266

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →