dragonfly optimization algorithm
در نشریات گروه پدافند غیرعامل-
امروزه یکی از مهمترین چالش های امنیت اطلاعات و شبکه های ارتباطی، افزایش روزافزون انواع بدافزارها و به دنبال آن یافتن راه های مناسب جهت حفاظت سیستم ها در مقابل آنها است. شناخت به وقت و یافتن راه های مقابله با آثار مخرب بدافزارها از مهمترین چالش های برنامه نویسان و متخصصین امنیت اطلاعات می باشد به طوری که در سال های اخیر استفاده از الگوریتم های داده کاوی و هوش مصنوعی به عنوان یکی از روش های نوظهور و امیدوار-کننده برای مقابله با بدافزارها کاربرد بسیاری داشته است. سیستم های تشخیص بدافزار هوشمند قادر هستند با مدل سازی رفتار بدافزارها آن ها را به خوبی شاسایی نمایند. استخراج ویژگی های مناسب و به کارگیری دسته بند کارآمد می تواند کارایی چنین سیستم هایی را بهبود ببخشد. در این مقاله رویکردی جدید جهت تشخیص بدافزار با استفاده از هم افزایی ویژگی های شمارنده های سخت افزای و دسته بند شبکه عصبی پرسپترون چندلایه بهینه پیشنهاد می شود. سیستم پیشهادی با استخراج ویژگی هایی با قابلیت تفکیک پذیری بالا و نیز استفاده از شبکه عصبی بهینه شده بوسیله الگوریتم سنجاقک قادر است به خوبی فایل های سالم را از مخرب شناسایی نماید. به منظور ارزیابی سیستم پیشنهادی از یک مجموعه داده شامل 168 نمونه سالم و 437 نمونه آلوده به بدافزار استفاده می شود. نتایج حاصل از شبیه سازی ها کارایی بالاتر دسته بند پیشنهادی را در مقایسه با سایر دسته بندها نشان می دهد به طوری که سیستم پیشنهادی توانسته است با دقت 86 درصد وجود فایل های آلوده به بدافزار را تشخیص دهد.
کلید واژگان: بدافزار، شمارنده های سخت افزاری، شبکه عصبی پرسپترون چند لایه(MLP)، الگوریتم بهینه سازی سنجاقکToday, one of the most important challenges of information security and communication networks is the increasing number of malware and, consequently, finding suitable ways to protect systems against them. Knowing in time and finding ways to deal with the malicious effects of malware is one of the most important challenges for programmers and information security professionals. Is. Intelligent malware detection systems are able to model malicious behavior well. Extracting appropriate features and using efficient classifiers can improve the performance of such systems. In this paper, a new approach to malware detection is proposed using synergy of the features of the hardware counters and the optimization of the multilayer perceptron neural network classifier. The proposed system is able to identify healthy files from malware by extracting features with high discrimination and also using the neural network optimized by the dragonfly algorithm. In order to evaluate the proposed system, a data set including 168 healthy samples and 437 samples infected with malware is used. The results of the simulations show the higher performance of the proposed category compared to other categories, so that the proposed system has been able to detect the presence of malware-infected files with 86% accuracy.
Keywords: Malware, Hardware Counters, Multi-Layer Perceptron Neural Network, Dragonfly Optimization Algorithm
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.