کاهش حملات باج افزاری در محیط های چندابری با تحلیل الگوی رفتار فایل

با رشد شتابان رایانش ابری و مهاجرت سازمان ها به سمت معماری های چندابری ، تنوع و گستردگی سطح حملات سایبری به طرز چشمگیری افزایش یافته است. در این میان، حملات باج افزاری مدرن با اتخاذ روش های باج گیری دوگانه و رمزگذاری داده های حیاتی، امنیت دارایی های توزیع شده را با بحران مواجه ساخته اند. سامانه های سنتی تشخیص نفوذ که مبتنی بر امضا یا تحلیل های ایستا عمل می کنند، در برابر حملات روز صفر و رمزگذاری های دیرهنگام در لایه های توزیع شده کارایی پایینی دارند. در این پژوهش، یک مدل هوشمند تشخیص زودهنگام باج افزار مبتنی بر تحلیل رفتاری الگوهای دسترسی و تغییر فایل ارائه شده است. معماری پیشنهادی با استخراج ۶ مولفه رفتاری و زمانی کلیدی شامل نرخ خواندن/نوشتن، نرخ تغییر فایل، تعداد عملیات نوشتن متوالی، دگرگونی فراداده ها، تلاش برای حذف رونوشت پشتیبان و سرعت رمزگذاری، به مدل سازی رفتار نشست ها می پردازد. این سیستم با شبیه سازی یک معماری چندابری هیبریدی (AWS، Azure و زیرساخت محلی) و پیاده سازی الگوریتم های یادگیری ماشین نظارت شده (جنگل تصادفی و SVM)، بدون نظارت (K-Means) و یادگیری عمیق توالی محور (LSTM) ارزیابی شد. نتایج تجربی نشان می دهد که الگوی «نوشتن های متوالی» و «حذف رونوشت پشتیبان» متمایزکننده ترین شاخص ها بوده و مدل پیشنهادی مبتنی بر LSTM به دقت ۹۸.۱٪، نرخ تشخیص ۹۸.۴٪ و F۱-Score برابر با ۹۸.۰٪ با حداقل مثبت کاذب و زمان پاسخ در زیر ثانیه نائل می گردد.

کلیدواژه ها:

باج افزار ، معماری چندابری ، تحلیل رفتار فایل ، تشخیص ناهنجاری ، امنیت ابری.