تشخیص بدافزارها با استفاده از مدلهای یادگیری ماشین و یادگیری عمیق: یک مرور سیستماتیک
سال انتشار: 1404
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 264
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICPCONF11_165
تاریخ نمایه سازی: 1 آذر 1404
چکیده مقاله:
با افزایش روزافزون پیچیدگی بدافزارها، روشهای سنتی مبتنی بر امضا (signature-based) دیگر توانایی مقابله با نمونه های جدید را ندارند. مقاله حاضر یک مرور نظام مند بر رویکردهای به کارگیری یادگیری ماشین (ML) و یادگیری عمیق (DL) در زمینه تشخیص بدافزار ارائه می دهد. این بررسی شامل دسته بندی روش های استخراج ویژگی ایستا و پویا، تکنیک های سنتی ML انواع معماری های DL مانند CNN، RNN، مدل های هیبرید و همچنین مقابله با حملات ضدمثال (adversarial attacks) می باشد. منابع مورد بررسی شامل مقالات سیستماتیک بررسی نشده و کتب معتبر از سال ۲۰۱۶ تا ۲۰۲۴ هستند. این مطالعه ضمن شناسایی چالش هایی مانند نیاز به داده های بزرگ، پیچیدگی محاسباتی، ضعف در تفسیر پذیری مدل ها و آسیب پذیری در برابر حملات adversarial پیشنهادهایی برای گسترش حوزه های تحقیقاتی آینده ارائه می کند.
کلیدواژه ها:
یادگیری ماشین (Machine Learning) ، یادگیری عمیق (Deep Learning) ، تشخیص بدافزار (Malware Detection)
نویسندگان
حسین میرادی
دانشجو کارشناسی مهندسی کامپیوتر، دانشگاه آزاد واحد تهران مرکز
مجتبی کشاورز سیاهپوش
دانشجو دکترا، دانشگاه آزاد واحد تهران مرکز
سید جواد میر عابدینی
استادیار و عضو هیئت علمی، دانشگاه آزاد واحد تهران مرکز