مقایسه روش های سنتی و مبتنی بر هوش مصنوعی در تشخیص بدافزارها

با گسترش روزافزون فناوری اطلاعات و افزایش وابستگی سازمان ها و کاربران به سامانه های دیجیتال، بدافزارها به یکی از مهم ترین تهدیدهای امنیت سایبری تبدیل شده اند. پیچیده تر شدن ساختار بدافزارها، به ویژه ظهور بدافزارهای چندریخت و ناشناخته ، موجب شده است که روش های سنتی تشخیص مبتنی بر امضا و قواعد از کارایی لازم برای مقابله با تهدیدات نوین برخوردار نباشند. در سال های اخیر، بهره گیری از تکنیک های هوش مصنوعی، به ویژه الگوریتم های یادگیری ماشین و یادگیری عمیق، به عنوان رویکردی موثر برای شناسایی الگوهای پیچیده و تشخیص بدافزارهای جدید مورد توجه پژوهشگران قرار گرفته است.هدف این مقاله، مقایسه روش های سنتی و روش های مبتنی بر هوش مصنوعی در تشخیص بدافزارها از منظر دقت، سرعت، توانایی شناسایی تهدیدهای ناشناخته، نرخ هشدار کاذب، هزینه محاسباتی و قابلیت توسعه پذیری است. پژوهش حاضر از نوع مروری تحلیلی بوده و با بررسی مطالعات و پژوهش های معتبر، نقاط قوت و محدودیت های هر یک از این رویکردها تحلیل شده است. نتایج بررسی ها نشان می دهد که روش های سنتی، اگرچه از سرعت بالا و هزینه اجرایی پایین برخوردارند، در شناسایی بدافزارهای جدید و پیچیده با محدودیت های قابل توجهی مواجه هستند. در مقابل، روش های مبتنی بر هوش مصنوعی با بهره گیری از قابلیت یادگیری و تحلیل داده های گسترده، دقت بیشتری در تشخیص تهدیدهای ناشناخته ارائه می کنند، هرچند نیازمند داده های آموزشی مناسب، توان پردازشی بیشتر و فرایند آموزش مدل هستند. در نهایت، نتایج این پژوهش نشان می دهد که استفاده از رویکردهای ترکیبی، که مزایای هر دو روش را به کار می گیرند، می تواند راهکاری موثر برای ارتقای سامانه های تشخیص بدافزار در محیط های امنیت سایبری باشد.

کلیدواژه ها:

بدافزار ، امنیت سایبری ، تشخیص بدافزار ، هوش مصنوعی ، یادگیری ماشین ، یادگیری عمیق ، تحلیل بدافزار