تشخیص بدافزار با استفاده از مدل TextCNN

در عصر امروز باوجود تحول و پیشرفت در زمینه امنیت سایبری، شناسایی انواع تهدیدات سایبری هنگام رصد و بررسی فعالیت و گزارش های سیستم های لبه شبکه بسیار مهم و حیاتی است. این پژوهش در ادامه پژوهش های پیشین خود دررابطه با شناسایی حملات بدافزار ، محروم سازی توزیع شده سرویس و نفوذ از طریق تجزیه وتحلیل گزارش های سیستمی است که با استفاده از یک رویکرد نوآورانه به وسیله مدل ماشین بردار پشتیبان با هسته چندجمله ای توانستند با دقت بالا انواع حملات را به صورت مجزا از سایرین تشخیص دهند. در پژوهش پیش رو به استفاده از مدل های به روزتر نسبت به مدل سنتی SVM پرداخته است. مدل مورداستفاده یک شبکه عصبی کانولوشنی مخصوص پردازش متن با نام TextCNN است که با به کارگیری مجموعه داده دارای ۴۰ هزار داده مربوط به گزارش های واقعی سیستم های فایروال و سرور، آموزش دیده و توانسته به دقت ۸۰.۴۱ درصد در تشخیص بدافزار دست یابد. در نهایت نتایج مدل TextCNN با پژوهش پیشین در تشخیص بدافزار مقایسه شده است.

کلیدواژه ها:

تشخیص بدافزار ، امنیت سایبری ، شبکه عصبی کانولوشنی ، ماشین بردار پشتیبان