کشف کدهای مخرب کامپیوتری با استفاده ازدسته بندی کننده های مبتنی بر یادگیری ماشین براساس خصیصه های ایستا

امروزه کدهای مخرب کامپیوتری بخصوص انواع جدید و کشف نشده آن یک تهدید امنیتی جدی بشمار می روند تشخیص کدهای مخرب براساس امضا یک تکنیک استاندارد در تمام آنتی ویروسهای تجاری محسوب می شود متاسفانه این روش کارایی ضعیفی در مقابل کدهای مخرب ناشناخته و جدید دارد دراین مقاله الگوریتمی برپایه یادگیری ماشین معرفی می شود که می تواند فایلهای مخرب و سالم را با دقت بالا دسته بندی کند الگوریتم N-grams به عنوان روش پایه برای استخراج خصیصه ها استفاده شده است. همچنین پس از بررسی برروی بیش از صد میلیون خصیصه استخراج شده بهترین مقدار N دراین الگوریتم پیشنهاد شده است. دراین راستا کوشش شده است الگوریتم جدیدی برای گزینش خصیصه ها با نام iSelection با کارایی بالا ارایه شود همچنین برای پایین آوردن نرخ خطا از معماری رای گیری اکثریت برپایه الگوریتم Naïve bayes برای دسته بندی نمونه ها استفاده شده است که به علت مستقل بودن قابلیت همروندی بالایی خواهد داشت

کلیدواژه ها:

الگوریتم دسته بندی ، رای گیری اکثریت ، کشف کد مخرب ، گزینش خصیصه ، یادگیری ماشین