چکیده مقاله
گسترش روزافزون تهدیدات سایبری و افزایش پیچیدگی بدافزارهای نوظهور به ویژه بدافزارهای روز صفر، مخاطرات امنیتی بی سابقه ای را برای افراد و سازمانها ایجاد کرده است روشهای سنتی مبتنی بر امضا و تحلیل ایستا در برابر این تهدیدات کارایی لازم را ندارند در این پژوهش چارچوبی جدید مبتنی بر یادگیری عمیق ارائه شده که با نگاهی فرایند محور به رفتارهای سیستمی قادر به بازسازی الگوهای رفتاری عادی و شناسایی انحرافات ناشی از فعالیتهای بدافزاری است در این چارچوب خود کدگذار عمیق با هدف بازسازی ورودیها و استخراج ویژگیهای فشرده و معنادار به کار گرفته می شود و خطای بازسازی به عنوان شاخص ناهنجاری محاسبه می گردد همزمان خروجی لایه کدگذار به عنوان ورودی به مدل SVDD عمیق داده می شود تا فاصله نمونهها از مرکز ابرکره تعیین شود ترکیب این دو معیار توانایی مدل در تمایز میان رفتارهای عادی و مخرب را افزایش می دهد ارزیابی بر روی مجموعه داده CIC MalDroid۲۰۲۰ نشان می دهد که مدل پیشنهادی به دقت ۹۸ درصد، صحت ۹۹ درصد و امتیاز F۱ معادل ۹۸ درصد دست یافته و نرخ مثبت نادرست ۱ ۲ درصد حاکی از برقراری تعادل بهینه بین نرخ تشخیص بالا و هشدارهای کاذب پایین است
کلیدواژهها
نویسندگان
فاطمه سپه دوست
دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، ایران
فریدون شمس علیئی
استاد دانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، ایران
شیوه ارجاع
�په دوست، فاطمه و شمس علیئی، فریدون،1404،تشخیص بدافزارهای روز صفر با استفاده از رویکرد فرایند محور مبتنی بر خود کدگذار و SVDD عمیق،نهمین همایش پیشرفت های معماری سازمانی ایران،تهران
ارائهشده در
مجموعه مقالات نهمین همایش پیشرفت های معماری سازمانی ایران20 آبان 1404 · تهران