آمار
| تعداد نشریات | 36 |
| تعداد شمارهها | 1,203 |
| تعداد مقالات | 8,704 |
| تعداد مشاهده مقاله | 7,205,860 |
| تعداد دریافت فایل اصل مقاله | 4,209,780 |
ارائه یک سامانه تشخیص بدافزار رفتاری بر اساس عملکرد شمارندههای سختافزاری مبتنی بر شبکه عصبی و الگوریتم بهینهسازی سنجاقک | ||
| پدافند الکترونیکی و سایبری | ||
| دوره 9، شماره 2 - شماره پیاپی 34، تیر 1400، صفحه 9-16 اصل مقاله (741.42 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمد کرمی1؛ محمد مصلح* 2 | ||
| 1موسسه آموزش عالی و غیر انتفاعی کارون، اهواز، ایران | ||
| 2گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران | ||
| تاریخ دریافت: 23 آذر 1398، تاریخ بازنگری: 24 آذر 1399، تاریخ پذیرش: 15 مرداد 1399 | ||
| چکیده | ||
| امروزه یکی از مهمترین چالشهای امنیت اطلاعات و شبکههای ارتباطی، افزایش روزافزون انواع بدافزارها و بهدنبال آن یافتن راههای مناسب جهت حفاظت سیستمها در مقابل آنها است. شناخت به وقت و یافتن راههای مقابله با آثار مخرب بدافزارها از مهمترین چالشهای برنامهنویسان و متخصصین امنیت اطلاعات میباشد بهطوری که در سالهای اخیر استفاده از الگوریتمهای دادهکاوی و هوش مصنوعی بهعنوان یکی از روشهای نوظهور و امیدوار-کننده برای مقابله با بدافزارها کاربرد بسیاری داشته است. سیستمهای تشخیص بدافزار هوشمند قادر هستند با مدلسازی رفتار بدافزارها آنها را بهخوبی شاسایی نمایند. استخراج ویژگیهای مناسب و بهکارگیری دستهبند کارآمد میتواند کارایی چنین سیستمهایی را بهبود ببخشد. در این مقاله رویکردی جدید جهت تشخیص بدافزار با استفاده از همافزایی ویژگیهای شمارندههای سختافزای و دستهبند شبکه عصبی پرسپترون چندلایه بهینه پیشنهاد میشود. سیستم پیشهادی با استخراج ویژگیهایی با قابلیت تفکیکپذیری بالا و نیز استفاده از شبکه عصبی بهینه شده بوسیله الگوریتم سنجاقک قادر است بهخوبی فایلهای 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 میشود. نتایج حاصل از شبیهسازیها کارایی بالاتر دستهبند پیشنهادی را در مقایسه با سایر دستهبندها نشان میدهد بهطوری که سیستم پیشنهادی توانسته است با دقت 86 درصد وجود فایلهای آلوده بهبدافزار را تشخیص دهد. | ||
| کلیدواژهها | ||
| بدافزار؛ شمارندههای سختافزاری؛ شبکه عصبی پرسپترون چند لایه(MLP)؛ الگوریتم بهینهسازی سنجاقک | ||
| عنوان مقاله [English] | ||
| Providing a behavioral malware detection system based on the function of hardware counters using a neural network optimized with a dragonfly algorithm | ||
| نویسندگان [English] | ||
| M. Karami1؛ M. Mosleh2 | ||
| 1Karoon Institute of Higher Education, Ahvaz, Iran | ||
| 2Department of Computer Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran | ||
| چکیده [English] | ||
| Today, 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. | ||
| کلیدواژهها [English] | ||
| Malware, Hardware Counters, Multi-Layer Perceptron Neural Network, Dragonfly Optimization Algorithm | ||
| مراجع | ||
|
[1] S. Parsa and S. Khoshruy, “A new method for gradual detection of environmental conditions and resources required by smart malware,” Journal of Electrical& Cyber Defence, vol. 6, no. 4, pp. 33-44, 2019.## [2] G. Laurenza, D. Ucci, L. Aniello, and R. Baldoni, “An architecture for semi-automatic collaborative malware analysis for cis,” in 2016 46th Annual IEEE/IFIP International Conference on Dependable Systems and Networks Workshop (DSN-W), IEEE, pp. 137-142, 2016.## [3] H. Ali Alatwi, T. Oh, E. Fokoue, and B. Stackpole, “Android malware detection using category-based machine learning classifiers,” in Proceedings of the 17th Annual Conference on Information Technology Education, pp. 54-59, 2016.## [4] Z. Bazrafshan, H. Hashemi, S. M. H. Fard, and A. Hamzeh, “A survey on heuristic malware detection techniques,” in The 5th Conference on Information and Knowledge Technology, IEEE, pp. 113-120, 2013.## [5] N. Milosevic, A. Dehghantanha, and K.-K. R. Choo, “Machine learning aided Android malware classification,” Computers & Electrical Engineering, vol. 61, pp. 266-274, 2017.## [6] S. Parsa and A. Gooran Oorimi, “An Optimal and Transparent Framework for Automatic Analysis of Malware,” ADST Journal, vol. 7, no. 1, pp. 71-80, 2016.## [7] H. Hashemi, A. Azmoodeh, A. Hamzeh, and S. Hashemi, “Graph embedding as a new approach for unknown malware detection,” Journal of Computer Virology and Hacking Techniques, vol. 13, no. 3, pp. 153-166, 2017.## [8] K. Pal and J. Verma, “A Survey on Anomaly Based Malware Detection and Demolition in False Alarm Rate,” Available at SSRN 2652104, 2015.## [9] A. Tang, S. Sethumadhavan, and S. J. Stolfo, “Unsupervised anomaly-based malware detection using hardware features,” in International Workshop on Recent Advances in Intrusion Detection, Springer, pp. 109-129, 2014.## [10] K. N. Khasawneh, M. Ozsoy, C. Donovick, N. Abu-Ghazaleh, and D. Ponomarev, “Ensemble learning for low-level hardware-supported malware detection,” in International Symposium on Recent Advances in Intrusion Detection, Springer, pp. 3-25, 2015.## [11] Y. Fan, Y. Ye, and L. Chen, “Malicious sequential pattern mining for automatic malware detection,” Expert Systems with Applications, vol. 52, pp. 16-25, 2016.## [12] M. Ozsoy, K. N. Khasawneh, C. Donovick, I. Gorelik, N. Abu-Ghazaleh, and D. Ponomarev, “Hardware-based malware detection using low-level architectural features,” IEEE Transactions on Computers, vol. 65, no. 11, pp. 3332-3344, 2016.## [13] S. Huda, J. Abawajy, M. Alazab, M. Abdollalihian, R. Islam, and J. Yearwood, “Hybrids of support vector machine wrapper and filter based framework for malware detection,” Future Generation Computer Systems, vol. 55, pp. 376-390, 2016.## [14] M. Imran, M. T. Afzal, and M. A. Qadir, “Malware classification using dynamic features and Hidden Markov Model,” Journal of Intelligent & Fuzzy Systems, vol. 31, no. 2, pp. 837-847, 2016.## [15] S. S. Hansen, T. M. T. Larsen, M. Stevanovic, and J. M. Pedersen, “An approach for detection and family classification of malware based on behavioral analysis,” in 2016 International conference on computing, networking and communications (ICNC), IEEE, pp. 1-5, 2016.## [16] B. M. Khammas, A. Monemi, I. Ismail, S. M. Nor, and M. Marsono, “Metamorphic malware detection based on support vector machine classification of malware sub-signatures,” Telkomnika (Telecommunication Computing Electronics and Control), vol. 14, no. 3, 2016.## [17] K. Grosse, N. Papernot, P. Manoharan, M. Backes, and P. McDaniel, “Adversarial perturbations against deep neural networks for malware classification,” arXiv preprint arXiv:1606.04435, 2016.## [18] N. Patel, A. Sasan, and H. Homayoun, “Analyzing hardware based malware detectors,” in 2017 54th ACM/EDAC/IEEE Design Automation Conference (DAC), IEEE, pp. 1-6, 2017.## [19] B. Singh, D. Evtyushkin, J. Elwell, R. Riley, and I. Cervesato, “On the detection of kernel-level rootkits using hardware performance counters,” in Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security, pp. 483-493, 2017.## [20] H. Sayadi, N. Patel, S. M. PD, A. Sasan, S. Rafatirad, and H. Homayoun, “Ensemble learning for effective run-time hardware-based malware detection: A comprehensive analysis and classification,” in 2018 55th ACM/ESDA/IEEE Design Automation Conference (DAC), IEEE, pp. 1-6, 2018.## [21] Z.-U. Rehman et al., “Machine learning-assisted signature and heuristic-based detection of malwares in Android devices,” Computers & Electrical Engineering, vol. 69, pp. 828-841, 2018.## [22] W. S. McCulloch and W. Pitts, “A logical calculus of the ideas immanent in nervous activity,” The bulletin of mathematical biophysics, vol. 5, no. 4, pp. 115-133, 1943.## [23] Z. Soltani and A. Jafarian, “A new artificial neural networks approach for diagnosing diabetes disease type II,” International Journal of Advanced Computer Science and Applications, vol. 7, no. 6, pp. 89-94, 2016.## [24] S. Mirjalili, “Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems,” Neural Computing and Applications, vol. 27, no. 4, pp. 1053-1073, 2016.## [25] J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques, Elsevier, 2011.## [26] S. Y. Yerima and S. Sezer, “Droidfusion: A novel multilevel classifier fusion approach for android malware detection,” IEEE transactions on cybernetics, vol. 49, no. 2, pp. 453-466, 2018.## | ||
|
آمار تعداد مشاهده مقاله: 936 تعداد دریافت فایل اصل مقاله: 524 |
||