МЕТОД ГЛУБОКОГО ОБУЧЕНИЯ НА ОСНОВЕ ИЗОБРАЖЕНИЙ ДЛЯ ЭФФЕКТИВНОГО ОБНАРУЖЕНИЯ ВРЕДОНОСНОГО ПО

О журнале

Новости

Цели и сфера

Основатель и издатель

Редакционная коллегия

Условия лицензирования

Конфиденциальность

Отношение к плагиату

Публикационная этика

Политика архивирования

Подписка

Для авторов

Инструкции для авторов

Процесс рецензирования

Авторские права

Договор о передаче прав

Редакционные сборы

Архив

Все выпуски

Поиск

Контакты

Контакты

Бабичева М. В.
кандидат технических наук, доцент кафедры радиофизики и инфокоммуникационных технологий
ФГБОУ ВО «Донецкий государственный университет», 283001, г. Донецк.
Область научных интересов: информационная безопасность, пентестинг, нейронные сети.

Скачать pdf

УДК 519.71
DOI 10.24412/2413-7383-106-122
Язык: Аленглийский
Аннотация: В статье рассматривается метод обнаружения вредоносного программного обеспечения на основе анализа изображений, представленных в оттенках серого. Для анализа используются 13 современных сверточных нейронных сетей, включая DenseNet201, MobileNet, и другие, на основе набора данных Malimg. Проведены эксперименты, включающие обучение и настройку гиперпараметров для оптимизации производительности моделей. Показано, что модели, такие как DenseNet201 и MobileNet, достигают высокой точности, полноты, точности и F1-метрики. Данный подход позволяет улучшить процесс обнаружения вредоносного ПО, обеспечивая высокую эффективность и устойчивость к традиционным методам обхода систем защиты. Область применения работы — современные системы кибербезопасности, включая разработку новых методов анализа вредоносного ПО и защиту от кибератак.
Ключевые слова: Обнаружение вредоносного ПО, анализ вредоносного ПО, перенос обучения, обнаружение на основе изображений, кибербезопасность.

Список литературы:
1. Awan M.J., Masood O.A., Mohammed M.A., et al. Image-Based Malware Classification Using VGG19 Network and Spatial Convolutional Attention // Electronics. 2021 Vol. 10(19). Article ID 2444
2. Baghirov E. Malware detection based on opcode frequency // Journal of Problems of Information Technology. 2023 No. 1 P. 3–7.
3. Baghirov E. Evaluating the performance of different machine learning algorithms for Android malware detection // Proceedings of the 5th International Conference on Problems of Cybernetics and Informatics. 2023 August 28–30.
4. Yajamanam S., Selvin V.R.S., Di Troia F., et al. Deep Learning versus Gist Descriptors for Image-based Malware Classification // Proceedings of the 4th International Conference on Information Systems Security and Privacy - ForSE. SciTePress, 2018 P. 553–561. https://doi.org/10.5220/0006685805530561
5. Neurosci. Volume 2022 Article ID 7671967, 17 pages. Hindawi.
6. Kim J., Ban Y., Ko E., et al. MAPAS: A practical deep learning-based Android malware detection system // International Journal of Information Security. 2022 Vol. 21 P. 725–738.
7. Mimura M., Ito R. Applying NLP techniques to malware detection in a practical environment // International Journal of Information Security. 2022 Vol. 21 P. 279–291.
8. Khan I., Kwon Y.W. Multi-class Malware Detection via Deep Graph Convolutional Networks Using TF-IDF-Based Attributed Call Graphs // In: Kim H., Youn J. (eds). Inf. Secur. Appl. WISA 2023 Lecture Notes in Computer Science. Vol. 14402 Springer, 2023
9. Daoudi N., Samhi J., Kabore A.K., et al. DEXRAY: A Simple, yet Effective Deep Learning Approach to Android Malware Detection Based on Image Representation of Bytecode // MLHat 2021 Communications in Computer and Information Science. Vol. 1482 Springer, 2021
10. Zhao Z., Zhao D., Yang S., et al. Image-Based Malware Classification Method with the AlexNet Convolutional Neural Network Model // Security and Communication Networks. 2023 Article ID 6390023
11. Kumar S., Panda K. SDIF-CNN: Stacking deep image features using fine-tuned convolutional neural network models for real-world malware detection and classification // Applied Soft Computing. 2023 Vol.146 Article ID 110676 https://doi.org/10.1016/j.asoc.2023.110676
12. Pachhala N., Jothilakshmi S., Battula B.P., et al. Enhanced malware family classification via image-based analysis utilizing a balance-augmented VGG16 model // Traitement du Signal. 2023 Vol. 40(5). P. 2169–2178
13. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // arXiv preprint arXiv:1409.1556. 2015
14. He K., Zhang X., Ren S., et al. Deep Residual Learning for Image Recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016 P. 770–778.
15. Hai T.H., Van Thieu V., Duong T.T., et al. A Proposed New Endpoint Detection and Response With Image-Based Malware Detection System // IEEE Access.2023 Vol.11 P. 122859–122875.
16. Sandler M., Howard A., Zhu M., et al. MobileNetV2: Inverted Residuals and Linear Bottlenecks // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018 P. 4510–4520.
17. Howard A.G., Zhu M., Chen B., et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv preprint arXiv:1704.04861. 2017
18. Huang G., Liu Z., Van Der Maaten L., et al. Densely Connected Convolutional Networks // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017 P. 4700–4708.
19. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017 P. 1251–1258.
20. Szegedy C., Vanhoucke V., Ioffe S., et al. Rethinking the Inception Architecture for Computer Vision // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016 P. 2818–2826.
21. Tan M., Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // International Conference on Machine Learning (ICML). 2019 P. 6105–6114.
22. Zoph B., Vasudevan V., Shlens J., et al. Learning Transferable Architectures for Scalable Image Recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018 P. 8697–8710
23. Nataraj L., Karthikeyan S., Jacob G., et al. Malware images: Visualization and automatic classification // Proceedings of the 8th International Symposium on Visualization for Cyber Security. 2011 P. 1–7.
24. Ahmed I.T., Hammad B.T., Jamil N. A Comparative Performance Analysis of Malware Detection Algorithms Based on Various Texture Features and Classifiers // IEEE Access. 2024 Vol. 12 P. 11500–11519
25. Jabra M.B., Cheikhrouhou O., Atitallah N., et al. Malware Detection Using Deep Learning and CNN Models // Proceedings of the 2023 International Conference on Cyberworlds (CW). 2023 P. 432–439.
26. Hai T.H., Van Thieu V., Duong T.T., et al. A Proposed New Endpoint Detection and Response With Image-Based Malware Detection System // IEEE Access. 2023 Vol. 11P. 122859–122875.
27. Kim J., Paik J.Y., Cho E.S., et al. Attention-Based Cross-Modal CNN Using Non-Disassembled Files for Malware Classification // IEEE Access. 2023 Vol.11 P.22889–22903.
28. Habib F., Shirazi S.H., Aurangzeb K., et al. Deep Neural Networks for Enhanced Security: Detecting Metamorphic Malware inIoT Devices // IEEE Access. 2024 Vol. 12 P. 48570–48582.
29. Потреба, Е.Ю. Анализ Методов И Средств Предотвращения Утечек Конфиденциальных Данных // Е.Ю. Потреба, Н.Е. Губенко // Проблемы искусственного интеллекта. - 2023 № 3 (30).
30. Kharlamov, A. Semantic Text Analysis Using Artificial Neural Networks Based On Neural-Like Elements With Temporal Signal Summation // A. Kharlamov, E. Samaev, D. Kuznetsov и др. // Проблемы искусственного интеллекта. - 2023 № 3 (30).
31. Pikalyov, Ya.S. About Neural Architectures Of Feature Extraction For The Problem Of Object Recognition On Devices With Limited Computing Power // Ya.S. Pikalyov, T.V. Yermolenko // Проблемы искусственного интеллекта. - 2023 № 3 (30).

Выпуск: 1(36)'2025
Раздел: МЕТОДЫ И СИСТЕМЫ ЗАЩИТЫ ИНФОРМАЦИИ, ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ
Как цитировать: Я. Имамвердиев, Э. Багиров, И.Дж. Чукву. МЕТОД ГЛУБОКОГО ОБУЧЕНИЯ НА ОСНОВЕ ИЗОБРАЖЕНИЙ ДЛЯ ЭФФЕКТИВНОГО ОБНАРУЖЕНИЯ ВРЕДОНОСНОГО ПО // Проблемы искусственного интеллекта. 2025. №1.

Назад к выпуску 1(36)'2025