تشخیص خودکار بدافزار با استفاده از شبکه ی تقویتی عمیق و شبکه ی عصبی مصنوعی

با گسترش روزافزون استفاده از نرم افزارهای گوشی تلفن همراه توسط کاربران در سرتاسر اینترنت، حمله به کلمات کلیدی این نرم افزارها و تولید بدافزارهایی که منجر به افشای اطلاعات محرمانه ی کاربران می شود نیز روزبه روز در حال افزایش است. تاکنون روش های متعددی برای مقابله با بدافزارها توسط محققان ارائه شده است اما اغلب این روش ها دارای دقت محدودی هستند و امکان شناسایی برخی حملات با دقت بالا را ندارند و حتی ممکن است تشخیص بدافزار، یادگیری تقویتی عمیق، شبکه ی عصبی مصنوعی، اعتبارسنجی k-fold در تشخیص نوع حمله ای که صورت گرفته است دقت بسیار کمی داشته باشند. در این مقاله ابتدا چند عملیات پیش پردازش داده جهت پالایش مجموعه داده مانند نرمال سازی روی داده ها صورت می گیرد. سپس با استفاده از ترکیب الگوریتم تقویت تطبیقی AdaBoost و یادگیری تقویتی عمیق DQN ویژگی هایی که در انتخاب دسته ی داده ها (عادی یا حمله) موثرتر هستند انتخاب می شوند. در ادامه نیز با تغییر در پارامترهای بهینه سازی مدل شبکه عصبی و استفاده از روش اعتبارسنجی k-fold بهترین مقادیر جهت تعیین دسته داده ها به دست می آید. نتایج به دست آمده برای چهار معیار ارزیابی کلیدی و به خصوص دقت ۹۹.۹۸ برای دسته بندی دودویی و میانگین ۹۸.۴۳۰ برای دسته بندی چندکلاسه نشان می دهد که روش پیشنهادی نسبت به سایر روش ها کارآیی بیشتری دارد.

کلیدواژه ها:

تشخیص بدافزار ، یادگیری تقویتی عمیق ، شبکه عصبی مصنوعی ، اعتبارسنجی k-fold ، تقویت تطبیقی AdaBoost