جلسه دفاع پایاننامه: آتوسا احسنی ثمرین، گروه معماری سیستمهای کامپیوتری
خلاصه خبر:
عنوان پايان نامه: تشخيص بدافزار با استفاده از شورايي از دستهبندهاي پيچشي عميق
ارائهکننده: آتوسا احسنی ثمرین استاد راهنما: دکتر مهدی آبادی استاد ناظر داخلی: دکتر حسین همایی استاد ناظر خارج از دانشگاه: دکتر فاطمه دلدار تاریخ: 1403/06/21 ساعت: 9 مکان: دانشکده مهندسی برق و کامپیوتر، کلاس 601
چکیده: امروزه استفادهی گسترده از اینترنت منجر به افزایش تصاعدی حملات امنیت سایبری شده است. یکی از مهمترین تهدیدات، نرمافزارهای مخرب یا همان بدافزارها هستند که با نفوذ به سیستم قربانی خسارتهایی به بار میآورند. بدافزارها روزبهروز پیچیدهتر شده و تعداد آنها در حال افزایش است. ازآنجاییکه روشهای موجود برای شناسایی بدافزار اغلب قادر به همگامی با تغییرات بدافزارها نیستند، نیاز به روشهای قوی تشخیص بدافزار مطرح میشود. در این پژوهش قصد بر معرفی روشی برای تشخیص بدافزار است که از تصویرسازی برنامههای اجرایی و یادگیری عمیق به این منظور بهره میبرد. تصویرسازی برنامههای اجرایی بهعنوان یک ابزار ارزشمند در تجزیهوتحلیل، درک و بهتصویرکشیدن رفتار بدافزار عمل میکند. بهاینترتیب هر برنامهی اجرایی با استفاده از روش درهمسازی حساس به مکان Simhash به دو تصویر سهکاناله رنگی، یکی مستخرج از اطلاعات بایتهای خام برنامه و دیگری مستخرج از اطلاعات دستورالعملهای برنامه، تبدیل میشود. بهطوریکه تصاویر حاصل از برنامههای اجرایی با رفتار مشابه، به هم شباهت دارند. در ادامه برای یادگیری الگوهای رفتاری برنامههای اجرایی که اکنون در قالب تصویر به نمایش گذاشته شده است، از شبکهی عصبی پیچشی بهره میبریم. شبکهی عصبی پیچشی قادر است با یادگیری الگوهای مشابه از روی تصاویر، آنهایی که به یکدیگر شباهت دارند را تشخیص دهد. بهاینترتیب بهمنظور یادگیری تصاویر تولیدشده در مرحلهی قبل، یک شبکهی عصبی مبتنی بر شبکه عصبی پیچشی طراحی شد که در معماری آن از دو بلوک موازی پیچشی استفاده شده است. بهطوریکه هر بلوک بر روی جنبهی متفاوتی از رفتار برنامههای اجرایی تمرکز دارد. تصاویر تولیدشده توسط این شبکهی عصبی پیچشی مورد یادگیری واقع میشوند تا شبکهی عصبی بتواند بدافزارها را از برنامههای اجرایی بیخطر تشخیص دهد. روش پیشنهادی در این پژوهش پیادهسازی شده و موردارزیابی قرار گرفت. نتایج حاصل، نشان میدهد که این روش با دستیابی به صحت تشخیص بیشتر از 97%، عملکرد بهتری در مقایسه با روشهای پیشین دارد. بهعلاوه در این پژوهش با تبدیل برنامههای اجرایی به تصویر، زمان و منابع موردنیاز برای عملیات یادگیری شبکهی عصبی کاهش یافته است.
