मैलवेयर विश्लेषण मशीन लर्निंग और डीप लर्निंग तकनीकों का उपयोग करके

इस युग में, जहां मैलवेयर की मात्रा और विविधता तेजी से बढ़ रही है, मैलवेयर की तेज और सटीक पहचान के लिए नई तकनीकों को लागू करने की आवश्यकता है। मैलवेयर विश्लेषण की मैनुअल ह्यूरीस्टिक जांच नए मैलवेयर का पता लगाने में प्रभावी नहीं है, न ही यह कुशल है क्योंकि यह मैलवेयर के उच्च प्रसार दर के साथ तालमेल नहीं रखती है। इसलिए, मशीन लर्निंग दृष्टिकोणों ने गति पकड़ी है। इनका उपयोग स्थिर और गतिशील विश्लेषण अन्वेषण को स्वचालित करने के लिए किया गया है, जहां समान व्यवहार वाले मैलवेयर को एक साथ क्लस्टर्ड किया जाता है, और निकटता के आधार पर अनजान मैलवेयर को उनके संबंधित परिवारों में वर्गीकृत किया जाता है। हालांकि कई ऐसे शोध प्रयास किए गए हैं जहां डेटा-माइनिंग और मशीन-लर्निंग तकनीकों का उपयोग किया गया है, इस पेपर में हम दिखाते हैं कि डीप लर्निंग नेटवर्क का उपयोग करके सटीकता को और कैसे बढ़ाया जा सकता है। डीप लर्निंग उच्च संख्या में संभावित विविध परतों के साथ न्यूरल नेटवर्क बनाकर श्रेष्ठ वर्गीकरण प्रदान करता है, जिससे मैलवेयर वेरिएंट्स की स्वचालित पहचान और वर्गीकरण में सुधार होता है। इस शोध में, हम एक ढांचा प्रस्तुत करते हैं जो मैलवेयर फाइलों से विभिन्न फीचर-सेट्स जैसे सिस्टम कॉल, ऑपरेशनल कोड, अनुभाग और बाइट कोड निकालता है। प्रयोगात्मक और परिणाम अनुभाग में, हम इन प्रत्येक विशेषताओं से प्राप्त सटीकता की तुलना करते हैं और दिखाते हैं कि सिस्टम कॉल के लिए फीचर वेक्टर सबसे उच्च सटीकता प्रदान करता है। पेपर इस बात से समाप्त होता है कि डीप लर्निंग दृष्टिकोण पारंपरिक शैलो मशीन लर्निंग दृष्टिकोणों की तुलना में कैसे बेहतर प्रदर्शन करता है।