دانلود ترجمه مقاله شناسایی هوشمند بد افزار مبتنی بر شبکه کانولوشن گراف

1. مقدمه 2. مقالات مرتبط 3. الگوریتم تشخیص بدافزار بر اساس شبکه پیچشی گراف 4. مجموعه داده و طراحی آزمایش 5. آزمایشات و تجزیه و تحلیل نتایج 6. نتیجه گیری

چکیده – بررسی های صورت گرفته حاکی از آن است که بدافزارها به شدت ایمنی سیستم های رایانه ای رو برای مدت طولانی در معرض خطر قرار داده اند. از اینرو، یافته های بدست آمده نشان می دهد که روش‌های سنتی تشخیص با توجه به پیشرفت سریع فناوری ضد تشخیصی، بر اساس تحلیل های استاتیکی و تحلیل دینامیکی دارای اثرات محدودی هستند. با توجه به پیش بینی های صورت گرفته، در سال‌های اخیر تشخیص بدافزار مبتنی بر هوش مصنوعی به منظور مقابله با بدافزارها به صورت گسترده ای استفاده شده است. با این وجود، به علت تنوع بدافزار، استخراج ویژگی از بدافزار با دشوارهایی همراه است. همچنین لازم به ذکر است که تشخیص بدافزار، ارتباطی با کاربرد فناوری هوش مصنوعی ندارد. برای رفع این مسئله، یک دسته‌ بند بدافزار مبتنی بر شبکه پیچشی گراف جهت سازگاری با تنوع ویژگی‌های بدافزار طراحی شده است. در مرحله اول از کد بدافزار مربوطه، دنباله فراخوانی API را استخراج نموده و یک گراف چرخه جهت دار را تولید می کنیم. در مرحله دوم، جهت استخراج نقشه ویژگی گراف، از زنجیره مارکوف و روش تحلیل مؤلفه اصلی استفاده نموده و بر اساس شبکه پیچشی گراف، یک دسته بند را طراحی کرده و در پایان عملکرد روش را مورد تحلیل و مقایسه قرار می دهیم. نتایج بدست آمده حاکی از آن است که روش پیشنهادی در اکثر تشخیص‌ها از عملکرد بهتری برخوردار بوده و در مقایسه با روش‌های موجود دارای بالاترین میزان دقت در حدود 98.32% می باشد. همچنین نسبت به سایر روش‌ها، مدل ما از لحاظ FPR و دقت دارای برتری بوده و برای مقابله با توسعه و رشد بدافزارها نیز از پایداری لازم برخوردار است.

Malware has seriously threatened the safety of computer systems for a long time. Due to the rapid development of anti-detection technology, traditional detection methods based on static analysis and dynamic analysis have limited effects. With its better predictive performance, AI-based malware detection has been increasingly used to deal with malware in recent years. However, due to the diversity of malware, it is difficult to extract feature from malware, which make malware detection not conductive to the application of AI technology. To solve the problem, a malware classifier based on graph convolutional network is designed to adapt to the difference of malware characteristics. The specific method is to firstly extract the API call sequence from the malware code and generate a directed cycle graph, then use the Markov chain and principal component analysis method to extract the feature map of the graph, and design a classifier based on graph convolutional network, and finally analyze and compare the performance of the method. The results show that the method has better performance in most detection, and the highest accuracy is 98.32%, compared with existing methods, our model is superior to other methods in terms of FPR and accuracy. It is also stable to deal with the development and growth of malware.

ترجمه این مقاله در 19 صفحه آماده شده و در ادامه نیز صفحه 10 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.