Key points are not available for this paper at this time.
لقد زادت تهديدات البرمجيات الخبيثة بسرعة كبيرة في عالم اليوم. نظرًا لاستخدام الجميع الإنترنت في العصر الحديث، فإن المستخدمين أكثر عرضة للهجمات الإلكترونية. الطرق التقليدية ليست قادرة على العثور على البرمجيات الخبيثة بدقة، لذا فإن هذا البحث يركز على بناء حل فعال باستخدام التعلم الآلي للكشف عن البرمجيات الضارة وتفسير النموذج باستخدام الذكاء الاصطناعي القابل للتفسير لفهم سبب اتخاذ قرار معين بواسطة مصنف التعلم الآلي. يتم معالجة مجموعة البيانات في عدة خطوات تشمل مقياس Min-Max لتعديل الخصائص، وأقل تكرار وأعلى صلة (MRMR) لاختيار الخصائص، وتحليل المكونات الرئيسية (PCA) لتقليل الأبعاد. ثم يتم تدريب الخوارزميات باستخدام عدة خوارزميات تعلم آلي مثل Naive Bayes وAdaBoost وRegression اللوجستية وشجرة القرار وغابة عشوائية وذاكرة قصيرة وطويلة الأمد (LSTM) وXGBoost. من بين جميع المصنفات، حققنا أعلى دقة بنسبة 99.825% مع XGBoost. بالإضافة إلى ذلك، لتفسير النموذج، استخدمنا طرق الذكاء الاصطناعي القابل للتفسير مثل LIME وSHAP لفهم أي خاصية كانت مسؤولة عن كون الحالة برمجية خبيثة أو حميدة.
درس ماسود وآخرون (الجمعة) هذا السؤال.