مروری بر استفاده از روش های یادگیری ماشین برای شناسایی و طبقه بندی بدافزار با بررسی چالشها، مزایا و معایب

در سالهای اخیر تعداد بدافزارها در دنیای سایبری رشد نمایی داشته است. بدافزارهای پیشرفته از روشهای پیچیدهای مانند مبهم سازی و دگرگونی برای خنثی کردن روشهای شناسایی و تحلیل بدافزار استفاده میکنند. تشخیص بدافزار بر اساس ویژگیها و رفتار آنها برای جامعه امنیتی کامپیوتر حیاتی است.تجزیه وتحلیل ایستا برنامه های اجرایی مخرب را بدون اجرای آنها تجزیه وتحلیل میکند درحالیکه تجزیه وتحلیل پویا درواقع بدافزار را در یک محیط امن اجرا میکند و تغییرات سیستم برای تحقیقات بیشتر ثبت میشوند. هدف از این مقاله ارائه یک مرور سیستماتیک و دقیق از تکنیکهای یادگیری ماشین برای شناسایی بدافزار و به ویژه تکنیکهای یادگیری ماشین است. این بررسی توصیف کاملی از روشها و ویژگیهای یک جریان کار یادگیری ماشین برای شناسایی و طبقه بندی بدافزار فراهم میکند، مزایای استفاده از روش های یادگیری ماشین را ارائه می کند، چالشها و محدودیتهای یادگیری ماشین را بررسی میکند و روندها و پیشرفتهای اخیر در این زمینه را با تاکید بر روش های انتخاب ویژگی تجزیه و تحلیل میکند. این بررسی به محققان کمک میکند تا درک درستی از زمینه شناسایی بدافزار و پیشرفتهای جدید و مسیرهای تحقیقاتی بررسی شده توسط جامعه علمی برای مقابله با این مشکل داشته باشند.

کلیدواژه ها:

بدافزار ، تحلیل ایستا ، تحلیل پویا ، یادگیری ماشین