डीप रीइनफोर्समेंट लर्निंग के साथ एंटी-मैलवेयर इंजनों से बचना

हानिकारक सॉफ़्टवेयर के जोखिम को कम करने के लिए, मशीन लर्निंग का उपयोग करके मैलवेयर पहचान विधियों ने हाल के वर्षों में भारी ध्यान आकर्षित किया है। पारंपरिक विधियों में से अधिकांश अनुपरिग्रहीत शिक्षा पर आधारित हैं, जो निश्चित लेबल के साथ स्थिर विशेषताओं पर निर्भर करती हैं। हालाँकि, हाल के अध्ययनों ने यह दर्शाया है कि अनुपरिग्रहीत शिक्षा पर आधारित मॉडल जानबूझकर किए गए हमलों के प्रति संवेदनशील होते हैं। यह कार्य इन मॉडलों की कमज़ोरियों को उजागर करने और प्रदर्शित करने का प्रयास करता है। एंटी-मैलवेयर इंजनों से बचने के लिए मजबूत Reinforcement लर्निंग का उपयोग करने वाला DQEAF ढांचा प्रस्तुत किया गया है। DQEAF लगातार मैलवेयर नमूनों के साथ इंटरैक्ट करके एक न्यूरल नेटवर्क के माध्यम से एक AI एजेंट को प्रशिक्षित करता है। क्रियाएँ समझदारी से की गई संशोधनों का एक सेट हैं, जो नमूनों की संरचना और कार्यों को नुकसान नहीं पहुँचाती हैं। एजेंट मैलवेयर नमूनों में संशोधन करने के लिए क्रियाओं के इष्टतम अनुक्रम का चयन करता है, ताकि वे पहचान इंजनों को दरकिनार कर सकें। प्रशिक्षण प्रक्रिया नमूनों की कच्ची बाइनरी स्ट्रीम विशेषताओं के लक्षणों पर निर्भर करती है। प्रयोगों से पता चलता है कि प्रस्तावित विधि की सफलता दर 75% है। प्रस्तावित DQEAF की प्रभावशीलता को अन्य प्रकार के हानिकारक सॉफ़्टवेयर द्वारा भी मूल्यांकित किया गया है, जो अच्छी मजबूती दिखाता है।