Виявлення рансомвару досягає точності 99,96% з новою моделлю AI

Вчені розробили систему штучного інтелекту, яка виявляє шкідливе ПЗ з точністю 99,96%, перетворюючи зловмисну активність у зображення для підвищення захисту кібербезпеки.

Цей новий інструмент AI, детально описаний у Наукових Звітах, використовує техніку “поведінка-в-зображення”, яка перетворює дії програмного забезпечення в зображення, які AI може аналізувати.

Дослідники пояснюють, як атаки рансомвару стають все частішими та дорожчими, при цьому середній розмір викупу стрімко зріс до $2.73 мільйона.

Нова система працює шляхом спочатку запуску програмного забезпечення у ізольованому тестовому середовищі, що дозволяє безпечно відстежувати його поведінку. Система виявляє специфічну поведінку шифрування файлів, яка є характерною операцією рансомвару. Потім ці поведінки перетворюються на двовимірне чорно-біле або кольорове зображення.

Цей формат, заснований на зображеннях, дозволяє дослідникам використовувати техніку, відому як “переносне навчання” з попередньо навченими AI-моделями. Дослідники пояснюють, що цей крок є критично важливим, оскільки він долає основну перешкоду в кібербезпеці, пов’язану з відсутністю великих, актуальних наборів даних зразків рансомвару для тренування.

“Обмежені дані збільшують ризик перенавчання, знижують можливість ідентифікації різноманітної поведінки і підривають надійність виявлення нових загроз,” – пояснюють автори.

Перенесення навчання дозволяє ШІ застосовувати знання, отримані в результаті аналізу мільйонів загальних зображень, до специфічного завдання виявлення рансомвару, і все це без потреби в огромній базі даних зразків шкідливого ПЗ.

Дослідницька команда виявила, що модель під назвою ‘ResNet50’ була надзвичайно ефективною при аналізі цих поведінкових зображень.

Варто зазначити, що модель досягла точності 99,96%, що робить її вкрай ефективною у виявленні рансомвару, незважаючи на роботу з невеликим набором даних.

Щоб переконатися, що рішення штучного інтелекту є надійними, а не базуються на випадковому шумі, команда використала передові інструменти візуалізації. Вони створили карти важливості, які підтвердили, що “модель зосереджується на структурованих областях, що кодують поведінку, і підтверджує навчання специфічних для класу шаблонів.”

Ця комбінація майже ідеальної точності, здатності працювати з невеликими наборами даних та прозорого процесу прийняття рішень висвітлює потенціал моделі для практичного впровадження.