Modelos de Aprendizaje Profundo para Identificar y Clasificar Variantes de Malware

Con la amenaza en constante crecimiento de ciberataques, la detección y remediación proactiva de malware son de suma importancia para asegurar el mundo digital. Nuestra investigación investiga el uso de técnicas avanzadas de aprendizaje profundo para detectar y clasificar cepas de malware como gusanos, virus y ransomware basándose en una multitud de características, incluyendo firmas de código, patrones de comportamiento y elementos estructurales. Se utilizan arquitecturas de redes neuronales profundas, incluyendo Redes Neuronales Convolucionales (CNN), Redes Neuronales Recurrentes (RNN) y modelos de Transformadores, entre otros, para crear un potente y confiable marco de aprendizaje automático para la detección de malware. Al estudiar decenas de miles de especímenes de malware y las características que los componen, nuestros modelos pueden diferenciar entre programas buenos y malos y aprender a identificar rápidamente nuevas amenazas de malware. El enfoque sugerido aprende continuamente de nuevas muestras de malware y se adapta a vectores de ataque en tiempo real para asegurar una postura de seguridad proactiva. Los experimentos del modelo sugerido mejoran significativamente el rendimiento de los modelos de detección de malware y certifican que tienen una alta tasa de detección en el nuevo entorno. Este trabajo muestra cómo las técnicas de aprendizaje profundo podrían mejorar en gran medida la detección de diferentes virus de malware. Además, la calidad de la detección conocida mejoró constantemente al analizar los resultados de nuestros modelos en un conjunto de prueba.