تشخیص بدافزارها با استفاده از مدلهای یادگیری ماشین و یادگیری عمیق: یک مرور سیستماتیک

با افزایش روزافزون پیچیدگی بدافزارها، روشهای سنتی مبتنی بر امضا (signature-based) دیگر توانایی مقابله با نمونههای جدید را ندارند. مقاله حاضر یک مرور نظاممند بر رویکردهای بهکارگیری یادگیری ماشین (ML) و یادگیری عمیق (DL) در زمینه تشخیص بدافزار ارائه میدهد. این بررسی شامل دستهبندی روشهای استخراج ویژگی ایستا و پویا، تکنیکهای سنتی ML، انواع معماریهای DL مانند CNN، RNN، مدلهای هیبرید و همچنین مقابله با حملات ضدمثال (adversarial attacks) میباشد. منابع مورد بررسی شامل مقالات سیستماتیک بررسینشده و کتابهای معتبر از سال ۲۰۱۶ تا ۲۰۲۴ هستند. این مطالعه ضمن شناسایی چالشهایی مانند نیاز به دادههای بزرگ، پیچیدگی محاسباتی، ضعف در تفسیرپذیری مدلها و آسیبپذیری در برابر حملات adversarial، پیشنهادهایی برای گسترش حوزههای تحقیقاتی آینده ارائه میکند.⸻