La detección de malware, que se dirige a la microarquitectura de los procesadores, ha surgido recientemente como una forma potencialmente efectiva de mejorar la seguridad de los sistemas informáticos. Los datos de los Contadores de Rendimiento de Hardware son utilizados por algoritmos de aprendizaje automático en mecanismos de seguridad, como la detección de malware basada en hardware, para categorizar y detectar malware. Es crucial determinar si un archivo contiene o no malware. Muchos problemas han surgido debido al aumento del malware, y las empresas están perdiendo datos vitales y enfrentando otros problemas. Lo segundo a tener en cuenta es que el malware puede causar rápidamente mucho daño a un sistema al ralentizarlo y cifrar una gran cantidad de datos en una computadora personal. Este estudio proporciona detalles extensos sobre un marco flexible relacionado con técnicas de aprendizaje automático y aprendizaje profundo utilizando aprendizaje de pocos ejemplos. La detección de malware es posible utilizando técnicas de DT, RF, LR, SVM y FSL. La lógica es que estos algoritmos facilitan la diferenciación entre archivos que están libres de malware y aquellos que no lo están. Esto indica que su objetivo es reducir el número de falsos positivos en los datos. Para esto, utilizamos dos conjuntos de datos diferentes de una plataforma en línea. En este trabajo de investigación, nos enfocamos principalmente en técnicas de aprendizaje de pocos ejemplos utilizando dos conjuntos de datos diferentes. El modelo propuesto tiene una tasa de precisión del 97%, que es mucho mayor que la de otras técnicas.