چکیده مقاله
تشخیص بدافزار یکی از مهم ترین چالش های حوزه امنیت سایبری به شمار می رود، زیرا روش های سنتی مبتنی بر امضا در شناسایی بدافزارهای جدید، چندریخت Polymorphic و ناشناخته با محدودیت های قابل توجهی مواجه هستند در سال های اخیر، بهره گیری از الگوریتم های یادگیری ماشین به عنوان رویکردی هوشمند و کارآمد، توجه بسیاری از پژوهشگران را به خود جلب کرده است هدف این مقاله، مرور و تحلیل روش های تشخیص بدافزار مبتنی بر یادگیری ماشین، معرفی الگوریتم های پرکاربرد و بررسی مزایا، محدودیت ها و چالش های موجود در این حوزه است در این پژوهش، با استفاده از روش مطالعه مروری و تحلیل مقالات معتبر منتشرشده در سال های اخیر، عملکرد الگوریتم هایی نظیر ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، شبکه های عصبی مصنوعی و مدل های یادگیری عمیق از جنبه هایی همچون دقت تشخیص، سرعت پردازش، قابلیت تعمیم و مقاومت در برابر حملات نوظهور مورد بررسی قرار گرفته است نتایج بررسی ها نشان می دهد که الگوریتم های یادگیری ماشین، به ویژه روش های مبتنی بر یادگیری عمیق، نسبت به روش های سنتی از توانایی بالاتری در شناسایی بدافزارهای ناشناخته برخوردار هستند؛ با این حال، چالش هایی مانند نیاز به مجموعه داده های بزرگ و متوازن، هزینه محاسباتی بالا، احتمال بیش برازش و ضرورت به روزرسانی مداوم مدل ها همچنان از مهم ترین موانع توسعه این سامانه ها محسوب می شوند در نهایت، این مقاله ضمن ارائه تصویری جامع از وضعیت کنونی پژوهش ها، بر اهمیت ترکیب روش های یادگیری ماشین با فناوری های نوین امنیت سایبری و توسعه مدل های هوشمند، مقیاس پذیر و قابل اعتماد برای افزایش دقت و کارایی سامانه های تشخیص بدافزار در آینده تاکید می کند
کلیدواژهها
نویسندگان
نرگس شمس نجف آبادی
۱- دانشجو کاردانی ITدانشگاه ولیعصر تهران
نرگس شمس نجف آبادی
۱ دانشجو کاردانی ITدانشگاه ولیعصر تهران
نسترن بیرانوند
۲- استاد دانشگاه ولیعصر تهران
نسترن بیرانوند
۲ استاد دانشگاه ولیعصر تهران
شیوه ارجاع
�مس نجف آبادی، نرگس و بیرانوند، نسترن،1405،بررسی روش های تشخیص بدافزار مبتنی بر یادگیری ماشین و تحلیل عملکرد الگوریتم های هوشمند،سی و یکمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک،شیروان
ارائهشده در
مجموعه مقالات سی و یکمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک30 تیر 1405 · شیروان