تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله تشخیص بدافزار هوشمند قوی با استفاده از یادگیری عمیق – نشریه IEEE

عنوان فارسی: تشخیص بدافزار هوشمند قوی با استفاده از یادگیری عمیق
عنوان انگلیسی: Robust Intelligent Malware Detection Using Deep Learning
تعداد صفحات مقاله انگلیسی : 22 تعداد صفحات ترجمه فارسی : 52 (1 صفحه رفرنس انگلیسی)
سال انتشار : 2019 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : pdf فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI پایگاه : اسکوپوس
نوع ارائه مقاله : ژورنال ایمپکت فاکتور(IF) مجله : 4.476 در سال 2020
شاخص H_index مجله : 127 در سال 2021 شاخص SJR مجله : 0.587 در سال 2020
شناسه ISSN مجله : 2169-3536 شاخص Q یا Quartile (چارک) : Q2 در سال 2020
کد محصول : 11704 وضعیت ترجمه : انجام شده و آماده دانلود در فایل ورد و pdf
محتوای فایل : zip حجم فایل : 12.18Mb
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر و هوش مصنوعی
مجله/کنفرانس: IEEE Access
دانشگاه: مرکز مهندسی محاسبات و شبکه (CEN)، دانشکده مهندسی آمریتا، آمریتا ویشوا ویدیاپیتام، هند
کلمات کلیدی: امنیت سایبری، جرائم سایبری ، تشخیص بدافزار، تحلیل دینامیک و استاتیک، هوش مصنوعی، یادگیری ماشینی، یادگیری عمیق، پردازش تصویر، چارچوب هیبریدی و مقیاس پذیر
کلمات کلیدی انگلیسی: Cyber security - cybercrime - malware detection - static and dynamic analysis - artificial intelligence - machine learning - deep learning - image processing - scalable and hybrid framework
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓
ضمیمه: ندارد ☓
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1109/ACCESS.2019.2906934
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

A. پیشینه تحقیق

B. نیاز برای تحقیق

C. سهم اصلی تحقیق

2. مدلهای طبقه بندی بدافزار

a. طبقه بندی بدافزار با استفاده از تحلیل استاتیک

b. طبقه بندی بدافزار با استفاده از تحلیل دینامیک

c. طبقه بندی بدافزار با استفاده از روشهای پردازش تصویر

3. معماری های یادگیری عمیق

A. شبکه عصبی عمیق (DNN)

B. شبکه عصبی کانولوشن (CNN)

C. ساختارهای بازگشتی

4. معماری پیاده سازی و اقدامات آماری

5. تشخیص بدافزار با استفاده از یادگیری عمیق براساس تحلیل استاتیک

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

6. تشخیص بدافزار با استفاده از یادگیری عمیق براساس تحلیل دینامیک

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

7. طبقه بندی خانواده بدافزار با استفاده از یادگیری عمیق براساس پردازش تصویر

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

C. DEEPIMAGEMALDETECT (DIMD

8. معماری پیشنهادی- SCALEMALNET

9. نتیجه گیری

منابع

نمونه متن انگلیسی

Abstract 

Security breaches due to attacks by malicious software (malware) continue to escalate posing a major security concern in this digital age. With many computer users, corporations, and governments affected due to an exponential growth in malware attacks, malware detection continues to be a hot research topic. Current malware detection solutions that adopt the static and dynamic analysis of malware signatures and behavior patterns are time consuming and have proven to be ineffective in identifying unknown malwares in real-time. Recent malwares use polymorphic, metamorphic, and other evasive techniques to change the malware behaviors quickly and to generate a large number of new malwares. Such new malwares are predominantly variants of existing malwares, and machine learning algorithms (MLAs) are being employed recently to conduct an effective malware analysis. However, such approaches are time consuming as they require extensive feature engineering, feature learning, and feature representation. By using the advanced MLAs such as deep learning, the feature engineering phase can be completely avoided. Recently reported research studies in this direction show the performance of their algorithms with a biased training data, which limits their practical use in real-time situations. There is a compelling need to mitigate bias and evaluate these methods independently in order to arrive at a new enhanced method for effective zero-day malware detection. To fill the gap in the literature, this paper, first, evaluates the classical MLAs and deep learning architectures for malware detection, classification, and categorization using different public and private datasets. Second, we remove all the dataset bias removed in the experimental analysis by having different splits of the public and private datasets to train and test the model in a disjoint way using different timescales. Third, our major contribution is in proposing a novel image processing technique with optimal parameters for MLAs and deep learning architectures to arrive at an effective zero-day malware detection model. A comprehensive comparative study of our model demonstrates that our proposed deep learning architectures outperform classical MLAs. Our novelty in combining visualization and deep learning architectures for static, dynamic, and image processing-based hybrid approach applied in a big data environment is the first of its kind toward achieving robust intelligent zero-day malware detection. Overall, this paper paves way for an effective visual detection of malware using a scalable and hybrid deep learning framework for real-time deployments.

 

IX. CONCLUSION

This paper evaluated classical machine learning algorithms (MLAs) and deep learning architectures based on Static analysis, Dynamic analysis and image processing techniques for malware detection and designed a highly scalable framework called ScaleMalNet to detect, classify and categorize zero-day malwares. This framework applies deep learning on the collected malwares from end user hosts and follows a two-stage process for malware analysis. In the first stage, a hybrid of Static and Dynamic analysis was applied for malware classification. In the second stage, malwares were grouped into corresponding malware categories using image processing approaches. Various experimental analysis conducted by applying variations in the models on both the publically available benchmark datasets and privately collected datasets in this study indicated that deep learning based methodologies outperformed classical MLAs. The developed framework is capable of analyzing large number of malwares in real-time, and scaled out to analyze even larger number of malwares by stacking a few more layers to the existing architectures. Future research entails exploration of these variations with new features that could be added to the existing data.

نمونه متن ترجمه

چکیده

نقص های امنیتی که به علت حملات نرم افزاری مخرب (بد افزار) بوجود می آیند، نگرانی های امنیتی اصلی در عصر دیجیتال را افزایش می دهند. از آنجا که بسیاری از کاربران کامپیوتر، شرکت ها، و دولت ها، تحت تاثیر رشد چشمگیر حملات بدافزاری هستند، تشخیص بدافزار همچنان بعنوان یک موضوع تحقیقاتی داغ است. راه حل های فعلی تشخیص بدافزار که تحلیل پویا و استاتیک امضاهای مخرب و الگوهای رفتاری را در نظر می گیرند، زمان زیادی را صرف می کنند و ثابت شده که در شناسایی بدافزارهای ناشناخته در زمان واقعی، بی تاثیر هستند. بدافزارهای فعلی از پلی مورف ، متامورف ، و دیگر روش های اجتناب ناپذیر برای تغییر سریع رفتارهای بدافزار استفاده می کنند و تعداد زیادی بدافزار جدید ایجاد می کنند. چنین بدافزارهای جدیدی، عمدتا از انواع بدافزارهای موجود هستند، و الگوریتم های یادگیری ماشینی (MLA) برای انجام یک تحلیل بدافزاری موثر استفاده می شوند. با این حال، چنین روش هایی وقت گیر هستند، زیرا نیاز به مهندسی ویژگی وسیع ، یادگیری ویژگی، و نمایش ویژگی دارند. با استفاده از الگوریتم های یادگیری ماشینی (MLA) پیشرفته مانند یادگیری عمیق، می توان از فاز مهندسی ویژگی به صورت کامل اجتناب کرد. اخیرا مطالعات تحقیقاتی در این زمینه گزارش شده که عملکرد الگوریتم های آنها را با داده های آموزشی جانبدارانه نشان می دهد، که استفاده عملی از آنها را در موقعیت های زمان واقعی، محدود می کند. نیاز فوری برای کاهش تعصب و ارزیابی این روشها به صورت مستقل وجود دارد تا به یک روش جدید بهبود یافته برای تشخیص بدافزار موثر روز-صفر  دست یافت. برای پر کردن شکاف در ادبیات این موضوع، در ابتدا این مقاله، الگوریتم های یادگیری ماشینی (MLA) کلاسیک و معماری های یادگیری عمیق را برای تشخیص بدافزار، طبقه بندی، و طبقه بندی با استفاده از مجموعه داده های عمومی و خصوصی مختلف ارزیابی می کند. دوما، تمام گرایش های مجموعه داده حذف شده در این تحلیل تجربی را با تقسیم به مجموعه داده های عمومی و خصوصی، حذف می کنیم تا مدل را با استفاده از روشهای متناوب با استفاده از زمانبندی های مختلف آموزش دهیم و آزمایش کنیم. سوما، سهم اصلی ما در پیشنهاد یک روش پردازش تصویر جدید با پارامترهای بهینه برای MLAها و معماری های یادگیری عمیق، یک مدل موثر تشخیص بدافزار  صفر-روز  است. مطالعه تحقیقاتی جامع از مدل نشان می دهد که معماری های یادگیری عمیق پیشنهادی ، فراتر از الگوریتم های یادگیری ماشینی (MLA) کلاسیک هستند. نوظهوری در ترکیب معماری های تجسم و معماری های یادگیری عمیق برای روش ترکیبی استاتیک، دینامیک و مبتنی بر پردازش تصویر استفاده شده در یک محیط داده  بزرگ ، اولین نوع دستیابی به تشخیص هوشمند بدافزار روز-صفر استوار است. به طور کلی، این مقاله، روشی را برای تشخیص بصری موثر از بدافزار با استفاده از چارچوب یادگیری عمیق ترکیبی و مقیاس پذیر برای استقرارهای زمان-واقعی در اختیار قرار می دهد.

 

IX. نتیجه گیری

این مقاله، الگوریتم های یادگیری ماشینی کلاسیک (MLAها) و معماری های یادگیری عمیق مبتنی بر تحلیل استاتیک ، روشهای پردازش تصویر و تحلیل دینامیک برای تشخیص بدافزار را مورد ارزیابی قرار داد و چارچوب به شدت مقیاس پذیر را با نام ScaleMalNet طراحی کرد تا بدافزارهای روز-صفر را تشخیص دهد، طبقه بندی و دسته بندی کند. این چارچوب از یادگیری عمیق در بدافزارهای جمع آوری شده از هاست های نهایی کاربر استفاده می کند و یک فرایند دو مرحله ای را برای تحلیل بدافزار دنبال می کند. در اولین مرحله، ترکیبی از تحلیل دینامیک و استاتیک برای طبقه بندی بدافزار استفاده می شود. در دومین مرحله، بدافزارها به دسته های بدافزار مربوطه با استفاده از روشهای پردازش تصویر، گروه بندی می شوند. تحلیل تجربی مختلف با استفاده از انواع مدلهای مختلف در هر دو مجموعه داده بنچمارک موجود عمومی و مجموعه داده جمع آوری شده خصوصی در این تحقیق، نشان داد که یادگیری عمیق مبتنی بر روش شناسی نسبت به الگوریتم های یادگیری ماشینی (MLA) کلاسیک بهتر اجرا می شود. چارچوب توسعه یافته قادر به تحلیل تعداد زیادی از بدافزارها در زمان واقعی می باشد، و برای تحلیل تعداد بیشتری از بدافزارها با پشته سازی  لایه های کمتری از معماری های موجود، مقیاس می شود. پژوهش های آینده نیازمند بررسی این تغییرات با ویژگی های جدید است که می تواند به داده های موجود اضافه شود.

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)