به گزارش خبرنگار مهر، یکی از تهدیدهای امنیتی مهم در سیستم‌های رایانشی بدافزارها هستند. اخیرا نوعی از سیستم های هوش مصنوعی به نام یادگیری ماشینی به طور گسترده برای ردیابی بدافزارها به کار گرفته شده است. هرچند این سیستم کارآمد است اما این روش نیازمند انبوهی از نمونه نرم افزارهای بد و خوب برای آموزش و مدلسازی یک ردیاب بدافزار کارآمد است. علاوه بر آن چنین محدودیت هایی قابلیت ردیابی بدافزارهای جدید را کاهش می دهد زیرا نمونه های بد افزاری لازم برای آموزش کافی را در اختیار ندارد.

در همین راستا گروهی از محققان با همکاری هومن همایون پژوهشگر و پروفسور دانشکده مهندسی الکتریک و رایانه دانشگاه کالیفرنیا دیویس، یک تکنیک تولید داده آگاه از کد (code-aware data generation technique)ابداع کرده اند که چند نمونه جهش یافته از بدافزارهای محدودی که در دستگاه ها مشاهده شده، تولید می کند.

با این روش می توان خسارات را به کمترین میزان رساند زیرا تضمین می شود نمونه های تولید شده با میزان شباهت زیاد از بدافزارهای محدود رصد شده، تقلید می کنند و تولید نمونه های غیرعملیاتی و ناکارآمد را کاهش می دهند. نمونه بدافزارهایی که با این روش توسعه می یابند در مجموعه آموزشی گنجانده می شوند تا مدلی طرح ریزی شود که قادر به شناسایی بدافزارهای نوظهور به طور کارآمد باشد.

نتایج آزمایش ها نشان می دهد روش مذکور با دقت ۹۰ درصد بدافزارهایی که به ندرت رصد شده اند را ردیابی می کند. چنین رقمی حدود ۳ بار بیشتر از دقت روش های پیشرفته است.

مقاله اصلی