ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Ransomware Detection System Ba...>الوصف

Ransomware Detection System Based on Machine Learning

العنوان بلغة أخرى: نظام الكشف عن برامج الفدية المستند إلى التعلم الآلي
المصدر: مجلة التربية والعلم
الناشر: جامعة الموصل - كلية التربية
المؤلف الرئيسي: أحمد، عمر شامل (مؤلف)
مؤلفين آخرين: الدباغ، عمر عبدالمنعم ابراهيم (م. مشارك)
المجلد/العدد: مج30, ع5
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2021
الصفحات: 86 - 102
DOI: 10.33899/edusj.2021.130760.1173
ISSN: 1812-125X
رقم MD: 1203743
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch
مواضيع:
السياسة التعليمية | علم الرياضيات | الخوارزميات | برامج الفدية | برامج الحاسب الآلي
كلمات المؤلف المفتاحية:
البرامج الضارة | برامج الفدية | التحليل الثابت والديناميكي | حركة مرور الشبكة | خوارزميات التعلم الآلي | Malware | Ransomware | Static and Dynamic Analysis | Network Traffic | ML Algorithms
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: في كل يوم، هناك نمو كبير في الإنترنت والأجهزة الذكية المتصلة بالشبكة. من ناحية أخرى، هناك في زيادة في عدد البرامج الضارة التي تهاجم الشبكات والأجهزة والأنظمة والتطبيقات. تعد برامج الفدية (Ransomware) أحد أكبر التهديدات وأحدث الهجمات في مجال الأمن السيبراني. على الرغم من وجود الكثير من الأبحاث حول اكتشاف البرامج الضارة باستخدام التعلم الآلي ML، إلا أن القليل منها يركز فقط على اكتشاف برامج الفدية المستندة إلى ML. خصوصاً الهجمات التي تستهدف أنظمة تشغيل الهواتف الذكية (مثل Android) والتطبيقات. في هذا البحث، تم اقتراح نظام جديد لحماية الهواتف الذكية من التطبيقات الضارة من خلال مراقبة حركة مرور الشبكة. يتم تطبيق ستة خوارزميات للتعلم الآلي (Random Forest, k-Nearest Neighbors, Multi-Layer Perceptron, Decision tree, Logistic Regression, eXtreme Gradient Boosting) على مجموعة بيانات CICAndMal 2017 التي تتكون من عينات حميدة وأنواع مختلفة من عينات البرامج الضارة لنظام Android. تم استخراج 603288 من العينات الحميدة وبرامج الفدية من هذه المجموعة. تم جمع عينات برامج الفدية من 10 عائلات مختلفة. كما تم استخدام عدة أنواع من تقنيات اختيار الميزات على مجموعة البيانات. أخيراً، تم استخدام سبعة مقاييس للأداء لتحديد أفضل تقنيات اختيار الميزات وأفضل مصنفات ML لاكتشاف برامج الفدية. تشير نتائج التجارب إلى أن DT وXGB يتفوقان على المصنفات الأخرى بأفضل دقة كشف تتجاوز (99.30%) و(99.20%) لـ (DT) و(XGB) على التوالي.

Every day, there is great growth of the Internet and smart devices connected to the network. Additionally, there is an increasing number of malwares that attack networks, devices, system and applications. One of the biggest threats and newest attacks in cybersecurity is Ransom Software (Ransomware). Although there is a lot of research on detecting malware using machine learning (ML), only a few focus on ML-based ransomware detection, especially attacks targeting smartphone operating systems (e.g., Android) and applications. In this research, a new system was proposed to protect smartphones from malicious applications through monitoring network traffic. Six ML methods (Random Forest (RF), k-Nearest Neighbors (k-NN), Multi-Layer Perceptron (MLP), Decision tree (DT), Logistic Regression (LR), and eXtreme Gradient Boosting (XGB)) are applied to CICAndMal 2017 dataset which consists of benign and various kinds of android malware samples. 603288 benign and ransomware samples were extracted from this collection. Ransomware samples were collected from 10 different families. Several types of feature selection techniques have been used on the dataset. Finally, seven performance metrics were used to determine the best feature selection and ML classifiers for ransomware detection. The experiment results imply that DT and XGB outperform other classifiers with best detection accuracy at more than (99.30%) and (99.20%) for (DT) and (XGB) respectively.
ISSN: 1812-125X

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.