<div>
	Обнаружение скрытого вредоносного программного обеспечения с использованием глубокой нейронной сети с выбором признаков ANOVA на наборе данных CIC‑MalMem-2022</div>

Хаджила Мурад , Мерзуг Мохаммед, Ферхи Вафа, Муссауи Джилали , Буйден Аль Бараа , Хашеми Мохаммед Хишам

doi:10.17586/2226-1494-2024-24-5-849-857

2024 , ТОМ 24, НОМЕР 5 ( сентябрь-октябрь )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2024-24-5-849-857

УДК 004.491

Обнаружение скрытого вредоносного программного обеспечения с использованием глубокой нейронной сети с выбором признаков ANOVA на наборе данных CIC‑MalMem-2022

Хаджила М., Мерзуг М., Ферхи В., Муссауи Д., Буйден А., Хашеми М.

Читать статью полностью

Язык статьи - английский

Ссылка для цитирования:

Хаджила М., Мерзуг М., Ферхи В., Муссауи Д., Буйден А.Б., Хашеми М.Х. Обнаружение скрытого вредоносного программного обеспечения с использованием глубокой нейронной сети с выбором признаков ANOVA на наборе данных CIC-MalMem-2022 // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 5. С. 849–857 (на англ. яз.). doi: 10.17586/2226-1494-2024-24-5-849-857

Аннотация

Анализ вредоносного программного обеспечения включает исследование функциональности, поведения и потенциальных рисков. Искусственный интеллект и глубокое обучение открывают возможности автоматизированного, интеллектуального и адаптивного анализа вредоносного программного обеспечения. В работе предлагается модель глубокой нейронной сети (Deep Neural Network, DNN), созданная на основе признаков, выбранных с помощью F-теста дисперсионного анализа (ANalysis Of VAriance, ANOVA), для повышения точности распознавания путем выявления информативных признаков. DNN-ANOVA представляет собой метод выбора признаков, используемый для анализа числовых входных данных, когда целевая переменная является категориальной. К наиболее релевантным признакам относятся те, значения оценки которых превышают определенный порог, равный отношению суммы оценок всех признаков к общему числу признаков. Эксперименты выполнены на наборе данных CIC-MalMem-2022. Проведен анализ обнаружения или отсутствия вредоносного программного обеспечения с использованием бинарной классификации, а также полиномиальной классификации для определения его типа. Согласно результатам F-теста, модель DNN-ANOVA достигает наилучших значений: 100 % — precision, 99,99 % — accuracy, 99, 99 % — F1-score и 99,98 % — recall для бинарной классификации. Кроме того, DNN-ANOVA превосходит текущие работы с общим показателем точности (accuracy) 85,83 % для групповых атак и 73,98 % для индивидуальных атак в случае полиномиальной классификации.

Ключевые слова: обнаружение вредоносного программного обеспечения, глубокое обучение, выбор признаков ANOVA, бинарная классификация, полиномиальная классификация, набор данных

Список литературы

Kramer S.,Bradfield J.C. A general definition of malware//Journal in Computer Virology. 2010. V. 6.N 2. P. 105–114.https://doi.org/10.1007/s11416-009-0137-1
Li C., Gaudiot J.L. Detecting malicious attacks exploiting hardware vulnerabilities using performance counters//Proc. of the2019 IEEE 43^rd Annual Computer Software and Applications Conference (COMPSAC).V. 1.2019. P. 588–597. https://doi.org/10.1109/compsac.2019.00090
Sinanovic H., Mrdovic S. Analysis of Mirai malicious software// Proc. of the25^th International Conference on Software, Telecommunications and Computer Networks (SoftCOM). 2017. P. 1–5. https://doi.org/10.23919/softcom.2017.8115504
Singh R., Kumar H., Singla R.K., Ketti R.R. Internet attacks and intrusion detection system: A review of the literature//Online Information Review. 2017. V. 41. N 2.P. 171–184.https://doi.org/10.1108/oir-12-2015-0394
Yadav B., Tokekar S. Deep learning in malware identification and classification//Malware Analysis Using Artificial Intelligence and Deep Learning.Springer, Cham,2021. P. 163–205.https://doi.org/10.1007/978-3-030-62582-5_6
Kertysova K., Frinking E., van den Dool K., Maricic A., Bhattacharyya K. Cybersecurity: Ensuring awareness and resilience of the private sector across Europe in face of mounting cyber risks-Study. Bruxelles, Belgium:European Economic and Social Committee,2018.
Gopinath M., Sethuraman S.C. A comprehensive survey on deep learning based malware detection techniques// Computer Science Review.2023. V. 47.P. 100529.https://doi.org/10.1016/j.cosrev.2022.100529
Faruk M.J.H., Shahriar H., Valero M., Barsha F.L., Sobhan S., Khan M.A.,Whitman M., Cuzzocrea A., Lo D., Rahman A.,Wu F. Malware detection and prevention using artificial intelligence techniques//Proc. of theIEEE International Conference on Big Data (Big Data).2021. P. 5369–5377.https://doi.org/10.1109/bigdata52589.2021.9671434
Vigna G. How AI will help in the fight against malware//Retrieved from TechBeacon. 2020.
Schmitt M. Securing the Digital World: Protecting smart infrastructures and digital industries with Artificial Intelligence (AI)-enabled malware and intrusion detection // Journal of Industrial Information Integration. 2023. V. 36. P. 100520. https://doi.org/10.1016/j.jii.2023.100520
Aljabri M., Alhaidari F., Albuainain A., Alrashidi S., Alansari J., Alqahtani W., Alshaya J. Ransomware detection based on machine learning using memory features // Egyptian Informatics Journal. 2024. V. 25. P. 100445. https://doi.org/10.1016/j.eij.2024.100445
Ababneh M., Aljarrah A. Cybersecurity: Malware multi-attack detector on android-based devices using deep learning methods // Journal of Theoretical and Applied Information Technology. 2024. V. 102. N 1. P. 144–166.
Majid A.A.M., Alshaibi A.J., Kostyuchenko E., Shelupanov A. A review of artificial intelligence based malware detection using deep learning // Materials Today: Proceedings. 2023. V. 80. Part 3. P. 2678–2683. https://doi.org/10.1016/j.matpr.2021.07.012
Riaz S., Latif S., Usman S.M., Ullah S.S., Algarni A.D., Yasin A., Anwar A., Elmannai H., Hussain S. Malware Detection in Internet of Things (IoT) devices using deep learning // Sensors. 2022. V. 22. N 23. P. 9305. https://doi.org/10.3390/s22239305
Xing X., Jin X., Elahi H., Jiang H., Wang G. A malware detection approach using autoencoder in deep learning // IEEE Access. 2022. V. 10. P. 25696–25706. https://doi.org/10.1109/access.2022.3155695
Ucci D., Aniello L., Baldoni R. Survey of machine learning techniques for malware analysis // Computers & Security. 2019. V. 81. P. 123–147. https://doi.org/10.1016/j.cose.2018.11.001
Shafin S.S., Karmakar G., Mareels I. Obfuscated memory malware detection in resource-constrained IoT devices for smart city applications//Sensors. 2023. V. 23. N 11.P. 5348.https://doi.org/10.3390/s23115348
Mezina A., Burget R. Obfuscated malware detection using dilated convolutional network//Proc. of the14^th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT).2022. P. 110–115.https://doi.org/10.1109/icumt57764.2022.9943443
Brownlee J. How to perform feature selection with numerical input data//Machine Learning Mastery. 2020.
Brownlee J. How to choose a feature selection method for machine learning//Machine Learning Mastery. 2019.
Cai J., Luo J., Wang S., Yang S. Feature selection in machine learning: A new perspective//Neurocomputing. 2018. V. 300.P. 70–79.https://doi.org/10.1016/j.neucom.2017.11.077
Payton A.M. A review of spyware campaigns and strategies to combat them//Proc.of the 3^rd Annual Conference on Information Security Curriculum Development.2006. P. 136–141.https://doi.org/10.1145/1231047.1231077
Carrier T., Victor P., Tekeoglu A., Lashkari A. Detecting obfuscated malware using memory feature engineering // Proc. of the 8^th International Conference on Information Systems Security and Privacy ICISSP. V. 1. 2022. P. 177–188. https://doi.org/10.5220/0010908200003120
Mallikarajunan K.N., Preethi S.R., Selvalakshmi S., Nithish N. Detection of spyware in software using virtual environment//Proc. of the3^rd International Conference on Trends in Electronics and Informatics (ICOEI).2019. P. 1138–1142. https://doi.org/10.1109/icoei.2019.8862547
Jonasson D., SigholmJ. What is Spyware?.TDDC03 Projects, Department of Computer and Information Science.Sewden: Linkopings University, 2005.
Pelchen-Matthews A., Raposo G., Marsh M. Endosomes, exosomes and Trojan viruses//Trends in Microbiology. 2004. V. 12. N 7.P. 310–316.https://doi.org/10.1016/j.tim.2004.05.004
Liu Y., Mondal A., Chakraborty A., Zuzak M., Jacobsen N., Xing D., Srivastava A. A survey on neural trojans//Proc. of the21^st International Symposium on Quality Electronic Design (ISQED).2020. P. 33–39.https://doi.org/10.1109/isqed48828.2020.9137011
Brewer R. Ransomware attacks: detection, prevention and cure// Network Security.2016. V. 2016. N 9.P. 5–9.https://doi.org/10.1016/s1353-4858(16)30086-1
Tuttle H. Ransomware attackers turn to double extortion//Risk Management. 2021. V. 68. N 2.P. 8–9.
Nershi K., Grossman S. Assessing the Political Motivations Behind Ransomware Attacks// SSRN Electronic Journal. 2023.https://doi.org/10.2139/ssrn.4507111
Casas P., Blancas J., Villanueva A. Ransomware Report 2023: targets, motives, and trends// Outpost24. 07 Feb.2023[Электронный ресурс]. URL: https://outpost24.com/blog/ransomware-report-2023-targets-motives-and-trends/(датаобращения: 01.08.2024).
Sawyer S.F. Analysis of variance: the fundamental concepts//Journal of Manual & Manipulative Therapy. 2009. V. 17. N 2.P. 27E–38E.https://doi.org/10.1179/jmt.2009.17.2.27e

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License