راهکارهای نوین در مقاوم سازی سیستم های تشخیص بدافزار مبتنی بر هوش مصنوعی در برابر حملات خصمانه (Adversarial Attacks)
فایل این در 8 صفحه با فرمت PDF قابل دریافت می باشد
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
چکیده :
با گسترش روزافزون بدافزارها و پیچیدگی تکنیک های مبهم سازی آن ها، سیستم های تشخیص بدافزار مبتنی بر هوش مصنوعی (AI) و یادگیری ماشین (ML) به دلیل توانایی بالا در شناسایی الگوهای پنهان، جایگزین روش های سنتی مبتنی بر امضا شده اند. با این حال، این مدل ها به شدت در برابر «حملات خصمانه» (Adversarial Attacks) آسیب پذیر هستند؛ جایی که مهاجم با اعمال تغییرات جزئی و هدفمند در ساختار بدافزار، مدل هوش مصنوعی را فریب داده و باعث دسته بندی اشتباه آن به عنوان فایل خوش خیم (Benign) می شود. این مقاله به بررسی جامع آسیب پذیری های سیستم های تشخیص بدافزار در برابر حملات خصمانه پرداخته و راهکارهای نوین مقاوم سازی نظیر آموزش خصمانه (Adversarial Training)، تقطیر تدافعی (Defensive Distillation)، استفاده از شبکه های متخاصم مولد (GANs) و روش های یادگیری جمعی (Ensemble Learning) را مورد ارزیابی قرار می دهد. نتایج این بررسی نشان می دهد که استفاده از یک رویکرد دفاعی چندلایه، مقاومت سیستم های امنیتی را به شکل چشمگیری در برابر حملات روز صفر (Zero-day) و نمونه های خصمانه افزایش می دهد.
کلیدواژه ها:
نویسندگان
احسان میهن دوست
کارشناس فناوری اطلاعات شهرداری
مراجع و منابع این :
لیست زیر مراجع و منابع استفاده شده در این را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود لینک شده اند :