اخبار و اعلانات
آمار
| تعداد نشریات | 37 |
| تعداد شمارهها | 1,358 |
| تعداد مقالات | 9,782 |
| تعداد مشاهده مقاله | 10,995,672 |
| تعداد دریافت فایل اصل مقاله | 6,613,842 |
تشخیص بدافزار مبتنی بر الگوریتم فراابتکاری کرم شب تاب و شبکه یادگیری حافظه طولانی کوتاه مدت | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 6، دوره 13، شماره 3 - شماره پیاپی 51، آبان 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسنده | ||
| علی اکبر تجری سیاه مرزکوه* | ||
| استادیار ،دانشگاه گلستان ،گرگان گروه علوم کامپیوتر، گرگان، ایران | ||
| تاریخ دریافت: 08 تیر 1404، تاریخ بازنگری: 03 شهریور 1404، تاریخ پذیرش: 22 مهر 1404 | ||
| چکیده | ||
| تشخیص بدافزار به یکی از حوزه های تحقیقاتی مهم در چند سال اخیر تبدیل شده است. علی رغم کوشش هایی که در این زمینه صورت گرفته است، همچنان امکان بهبود دقت مدل های ارائه شده در تشخیص انواع مختلف بدافزار وجود دارد. در این مقاله، با تکیه بر به کارگیری چهار الگوریتم فراابتکاری زنبور عسل، کرم شب تاب، رقابت استعماری و خفاش، تلاش برای تنظیم پارامترهای شبکه های یادگیری عمیق صورت گرفته است. دو شبکه ی یادگیر عمیق شامل شبکه ی عصبی پیچشی و حافظه ی طولانی کوتاه مدت با تعداد لایه های مختلف برای دستیابی به حداکثر دقت تشخیص مورد استفاده قرار گرفته اند. نتایج آزمایش نشان می دهد که در بهترین حالت، بهره گیری از الگوریتم کرم شب تاب و شبکه ی یادگیر LSTM با 3 لایه، اندازه ی دسته 40، اندازه ی فیلتر 5*5 و تعداد دوره 300 منجر به دقت 99.997% در تشخیص بدافزار می شود که در مقایسه با سایر کارهای ارائه شده از برتری قابل ملاحظه ای برخوردار است. سایر پارامترهای ارزیابی کارآیی نیز مقادیر بسیار خوبی را نشان می دهند که این موضوع بیانگر برتری روش پیشنهادی نسبت به سایر کارهای مشابه است. | ||
| کلیدواژهها | ||
| تشخیص بدافزار؛ الگوریتم فراابتکاری؛ شبکه عصبی پیچشی؛ حافظه طولانی کوتاهمدت؛ الگوریتم کرم شبتاب | ||
| موضوعات | ||
| دفاع سایبری | ||
| عنوان مقاله [English] | ||
| Malware Detection Based on Firefly Meta-Heuristic Algorithm and Long-Short-Term Memory Learning Network | ||
| نویسندگان [English] | ||
| Aliakbar Tajari Siahmarzkooh | ||
| Assistant Professor, Golestan University, Gorgan, Iran | ||
| چکیده [English] | ||
| Malware detection has become one of the important research areas in recent years. Despite the efforts made in this field, it is still possible to improve the accuracy of the presented models in detecting different types of malware. In this paper, an attempt has been made to adjust the parameters of deep learning networks based on the use of four meta-heuristic algorithms including bee colony, firefly, imperialist competitive and bat algorithm. Two deep learning networks including Convolutional Neural Network (CNN) and Long-Short Term Memory (LSTM) with different number of layers have been used to achieve maximum detection accuracy. The experimental results show that in the best case, using the firefly algorithm and LSTM learning network with 3 layers, batch size 40, filter size 5*5 and number of periods 300 leads to an accuracy of 99.997% in malware detection, which is significantly superior compared to other presented works. Other performance evaluation parameters also show very good values, which indicates the superiority of the proposed method over other similar works. | ||
| کلیدواژهها [English] | ||
| malware detection, meta-heuristic algorithm, Convolutional Neural Network, Long-Short Term Memory, firefly algorithm | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 46 |
||