تشخیص بدافزار با استفاده از یادگیری ائتلافی و یادگیری افزایشی

دستگاه های تلفن همراه مبتنی بر اندروید به دلیل راحتی در استفاده کاربران بسیار زیادی دارند. افراد در تلفن های همراه خود کارهای مختلفی از جمله فعالیت های بانکی، فعالیت در شبکه های اجتماعی و سامانه های متعدد و متنوع کسب وکار را انجام می دهند و به همین دلیل اطلاعات شخصی زیادی از آن ها به دلیل آسیب پذیری سیستم عامل اندروید در معرض خطر قرار می گیرد. به دلیل توسعه سریع بدافزار های اندرویدی، بسیاری از روش های سنتی تشخیص بدافزار دقت خود را ازدست داده اند. تحقیقات نشان می دهند یادگیری ماشین یک روش موثر برای تشخیص بدافزار ها است. توسعه سریع بدافزار ها باعث می شود دقت مدل های یادگیری شده بعد از مدتی کاهش پیدا کند. همچنین با جمع آوری داده های مربوط به بدافزارها از دستگاه های اندرویدی حریم خصوصی کاربران به خطر می افتد. برای حل این مشکل در این مقاله از یادگیری افزایشی و ائتلافی (فدرال) استفاده شده است. اخیرا یادگیری ائتلافی برای آموزش مدل های یادگیری ماشین در دستگاه های غیرمتمرکز با هدف حفظ حریم خصوصی معرفی شده است. این مقاله از شبکه عصبی (MLP) در چارچوب یادگیری ائتلافی استفاده نموده است. برای یادگیری افزایشی از روش پشته ای که یکی از انواع یادگیری جمعی است استفاده شده است. در این پژوهش از مجموعه داده CICMalDroid ۲۰۲۰ استفاده شده و با استفاده از داده های ایستا، مدل نهایی ایجاد شده است. حاصل این پژوهش مدلی با دقت ۴۹/۹۶ است که مقایسه آن با روش های موجود نشانگر بهبود قابل توجه پیچیدگی زمانی محاسبات به همراه حفظ کیفیت یادگیری و دقت مدل هاست.

کلیدواژه ها:

تشخیص بدافزار ، یادگیری ماشین ، یادگیری ائتلافی ، یادگیری افزایشی ، توزیع شدگی