آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,555 |
| تعداد مقالات | 18,968 |
| تعداد مشاهده مقاله | 63,957,321 |
| تعداد دریافت فایل اصل مقاله | 23,372,790 |
بهبود شناسایی بدافزار با استفاده از شبکه عصبی پیچشی عمیق و یادگیری گروهی | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 03 آبان 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.70189.5102 | ||
| نویسنده | ||
| رضا شمسائی* | ||
| عضو هیات علمی / دانشگاه سجاد | ||
| چکیده | ||
| با افزایش سریع تعداد و تنوع بدافزارها، روش‌های سنتی مبتنی بر امضا با محدودیت‌هایی در شناسایی نمونه‌های جدید و ناشناخته مواجه شده‌اند. روش‌های مبتنی بر یادگیری ماشین در سال‌های اخیر توانسته‌اند با استخراج الگوهای رفتاری و ویژگی‌های متمایزکننده، عملکرد مناسبی در تشخیص بدافزار ارائه دهند. با این حال، بسیاری از این روش‌ها به فرآیند مهندسی ویژگی وابسته هستند و کیفیت عملکرد آن‌ها به انتخاب صحیح ویژگی‌ها وابستگی زیادی دارد.در این پژوهش، برای کاهش وابستگی به استخراج دستی ویژگی‌ها، از شبکه عصبی پیچشی عمیق برای یادگیری خودکار ویژگی‌های مؤثر استفاده شده است.سپس به‌منظور افزایش پایداری تصمیم‌گیری، ویژگی‌های استخراج‌شده در اختیار چندین طبقه‌بند مستقل قرار گرفته و خروجی آن‌ها با روش یادگیری گروهی مبتنی بر رأی‌گیری سخت ترکیب می‌شود. تصمیم‌گیری نهایی با بهره‌گیری از یادگیری گروهی و رأی‌گیری سخت انجام می‌گیرد؛ به‌گونه‌ای که اگر دست‌کم سه طبقه‌بند، نمونه‌ای را به‌عنوان بدافزار تشخیص دهند، برچسب نهایی آن «بدافزار» خواهد بود. نتایج آزمایشی تحقیقات پیشین نشان می‌دهد که مدل‌های ترکیبی مبتنی بر CNN در ترکیب با طبقه‌بندهای متنوع، عملکرد دقیق‌تری نسبت به مدل‌های منفرد دارند. بر اساس نتایج این پژوهش، اثربخشی رویکرد پیشنهادی در مقایسه با سایر مدل‌ها به‌طور معناداری بهبود یافته است. یافته‌ها بیانگر آن است که مدل پیشنهادی، روشی کارآمد و قابل اعتماد برای شناسایی بدافزارهای نوظهور در محیط‌های واقعی محسوب می‌شود. | ||
| کلیدواژه‌ها | ||
| تشخیص بدافزار؛ شبکه عصبی پیچشی عمیق؛ استخراج ویژگی؛ یادگیری گروهی؛ امنیت سایبری | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 6 |
||