بهبود دقت تشخیص فایلهای اجرایی مخرب با تلفیق الگوریتم های بهینه سازی خفاش و جنگل تصادفی

امنیت سایبری به یکی از مهمترین دغدغه های عصر حاضر تبدیل شده است به طوری که شناسایی به موقع و دقیق فایلهای اجرایی مخرب به عنوان اولین خط دفاعی در برابر حملات سایبری نقش حیاتی ایفا می کند. در این تحقیق یک روش ترکیبی نوآورانه برای بهبود دقت تشخیص بدافزارها ارائه شده است که در آن از قدرت الگوریتم بهینه سازی فراابتکاری خفاش برای انتخاب بهینه ترین زیر مجموعه ویژگی ها و از توانایی الگوریتم جنگل تصادفی برای طبقه بندی دقیق نمونه ها استفاده می شود. این پژوهش بر روی مجموعه داده استاندارد ۲۰۲۲-CIC-MalMem انجام شده و عملکرد روش پیشنهادی با معیارهای مختلفی شامل دقت، صحت، فراخوانی و امتیاز F۱ ارزیابی شده است. نتایج به دست آمده نشان می دهد که تلفیق این دو الگوریتم منجر به انتخاب هوشمندانه ویژگی های کلیدی و حذف داده های اضافی و نویز شده است که در نهایت دقت تشخیص را به طور معناداری بهبود بخشیده است. مقایسه روش پیشنهادی با سایر روش های متداول انتخاب ویژگی و طبقه بندی برتری چشمگیر این رویکرد را از نظر کارایی و قابلیت اطمینان تایید می کند. خروجی این تحقیق می تواند زمینه ساز توسعه سیستم های تشخیص نفوذ هوشمند و راهکارهای امنیتی پیشرفته در حوزه امنیت سایبری باشد.

کلیدواژه ها:

داده کاوی ، یادگیری ماشین ، طبقه بندی ، انتخاب ویژگی ، تشخیص بدافزار ، فایل اجرایی مخرب ، الگوریتم خفاش ، جنگل تصادفی