Глубокое обучение поможет в обнаружении вредоносных программ
31 августа 2020 года
Корпорации Microsoft и Intel используют глубинное обучение и нейронную сеть для обнаружения вредоносных программ. Проект STAMINA (STAtic Malware-as-Image Network Analysis) преобразовывает образцы вредоносных программ в двухмерные изображения в градациях серого, которые можно анализировать на основе их уникальных критериев.
Исследователи из двух компаний совместно разработали новый подход к обнаружению вредоносных программ. Microsoft предоставила проекту STAMINA более 2 млн зараженных файлов: 60% выборок были использованы для обучения алгоритма глубокой нейронной сети (DNN), 20% были использованы для проверки DNN, а оставшиеся 20% были использованы для проверки эффективности STAMINA. Команда достигла показателя точности в 99,07% в обнаружении и классификации образцов вредоносного ПО, при этом показатель ложных срабатываний составил всего 2,58%.
«Как правило, глубокие нейронные сети сложно настроить. Здесь использование проверенных в боях архитектур нейронных сетей, таких как Inception (для таких задач, как классификация изображений), позволяет нам использовать трансферное обучение, которое снижает нагрузку на обучение глубокой нейронной сети с нуля», — пояснил специалист Рави Сахита из Intel.
Использование технологий глубокого обучения обеспечивает более широкое понимание и позволяет классифицировать вредоносное ПО в соответствии со скоростью и масштабом вредоносного ПО, которое может быть создано с помощью автоматизированных методов, помогая экспертам по безопасности отфильтровать шум и сосредоточиться на угрозах, представляющих наибольший риск.
Однако данный тип систем также имеет некоторые проблемы. В зависимости от используемой архитектуры нейронной сети стоимость обучения и логического вывода может быть выше, чем у традиционных, более легких методов обнаружения вредоносных программ.
STAMINA также не способен «видеть» аспекты вредоносного ПО, которые могут быть обнаружены только во время выполнения, такие как расшифровка полезных данных в памяти или нежелательная активность (вымогательское ПО). Для решения данной проблемы Intel работает над перспективным исследованием подходов, устойчивых к противодействию, извлечением телеметрии из шаблонов выполнения, а также телеметрии ЦП. Дополнительные информационные потоки могут быть объединены с методами глубокого обучения для устранения слепых зон для лучшей классификации вредоносных программ.
Источники[править]
Эта статья содержит материалы из статьи «Глубокое обучение поможет в обнаружении вредоносных программ», опубликованной на сайте SecurityLab.ru и распространяющейся на условиях лицензии Creative Commons Attribution 3.0 Unported (CC-BY 3.0 Unported). |
Любой участник может оформить статью: добавить иллюстрации, викифицировать, заполнить шаблоны и добавить категории.
Любой редактор может снять этот шаблон после оформления и проверки.
Комментарии[править]
Если вы хотите сообщить о проблеме в статье (например, фактическая ошибка и т. д.), пожалуйста, используйте обычную страницу обсуждения.
Комментарии на этой странице могут не соответствовать политике нейтральной точки зрения, однако, пожалуйста, придерживайтесь темы и попытайтесь избежать брани, оскорбительных или подстрекательных комментариев. Попробуйте написать такие комментарии, которые заставят задуматься, будут проницательными или спорными. Цивилизованная дискуссия и вежливый спор делают страницу комментариев дружелюбным местом. Пожалуйста, подумайте об этом.
Несколько советов по оформлению реплик:
- Новые темы начинайте, пожалуйста, снизу.
- Используйте символ звёздочки «*» в начале строки для начала новой темы. Далее пишите свой текст.
- Для ответа в начале строки укажите на одну звёздочку больше, чем в предыдущей реплике.
- Пожалуйста, подписывайте все свои сообщения, используя четыре тильды (~~~~). При предварительном просмотре и сохранении они будут автоматически заменены на ваше имя и дату.
Обращаем ваше внимание, что комментарии не предназначены для размещения ссылок на внешние ресурсы не по теме статьи, которые могут быть удалены или скрыты любым участником. Тем не менее, на странице комментариев вы можете сообщить о статьях в СМИ, которые ссылаются на эту заметку, а также о её обсуждении на сторонних ресурсах.