بهبود تشخیص بدافزار روز صفر مبتنی بر یادگیری تلفیقی و مجموعه های خشن فازی با کرنل گوسی

تشخیص بدافزارهای روز صفر به دلیل ماهیت پویا و ناشناخته ی این تهدیدات، یکی از چالش های مهم امنیت سایبری است. وجود داده های ترکیبی شامل ویژگی های عددی و دسته ای با ابعاد زیاد، این مشکل را پیچیده تر می کند. این ناهمگنی در داده ها نه تنها بار محاسباتی را افزایش می دهد بلکه مرزهای تصمیم گیری میان کلاس های مخرب و سالم را مبهم می سازد. ویژگی های عددی جنبه های کمی مانند اندازه فایل یا تعداد بخش ها را دربرمی گیرند در حالی که ویژگی های دسته ای خصوصیات کیفی نظیر نوع فایل یا امضای کامپایلر را نشان می دهند. حضور همزمان این ویژگی ها انتخاب ویژگی را دشوار می کند زیرا روش های متداول توانایی کافی برای مدل سازی روابط غیرخطی همراه با عدم قطعیت بین آن ها را ندارند و این امر باعث کاهش عملکرد در تشخیص بدافزارهای روز صفر می شود. در این پژوهش، روشی بر پایه مجموعه های خشن فازی با کرنل گوسی برای انتخاب ویژگی های موثر ارائه شده است و ویژگی های منتخب در چارچوب یادگیری تلفیقی استکینگ به کار گرفته می شوند تا مدل ها بر اساس عملکردشان وزن دهی شوند. ارزیابی ها بر روی مجموعه داده استاندارد EMBER نشان می دهد که روش پیشنهادی به دقت ۹۶ درصد و نرخ فراخوانی بالا دست یافته و در شناسایی بدافزارهای روز صفر موثر عمل کرده است. مشارکت های اصلی پژوهش شامل انتخاب ویژگی کارآمد، به کارگیری یادگیری تلفیقی استکینگ و ارزیابی جامع با نتایج معتبر است.

کلیدواژه ها:

بدافزار روز صفر ، تشخیص بدافزار ، مجموعه های خشن فازی مبتنی بر کرنل گوسی ، ویژگی های ترکیبی ، یادگیری تلفیقی