Uhkaohjelmien Havaitseminen Saavuttaa 99,96% Tarkkuuden Uuden Tekeälymallin Avulla

Tutkijat ovat kehittäneet tekoälyjärjestelmän, joka havaitsee lunnasohjelmat 99,96% tarkkuudella, muuttaen haitallisen toiminnan kuviksi parantaakseen kyberturvallisuuspuolustusta.

Tämä uusi tekoälytyökalu, josta kerrotaan tarkemmin Scientific Reports -julkaisussa, käyttää ”käyttäytymisestä kuvaan” -tekniikkaa, joka muuntaa ohjelmistotoiminnot kuviksi, joita tekoäly pystyy analysoimaan.

Tutkijat selittävät, kuinka lunnasohjelmahyökkäykset yleistyvät ja niistä aiheutuvat kustannukset kasvavat, keskimääräisen lunnasmaksun räjähtäen 2,73 miljoonaan dollariin.

Uusi järjestelmä toimii ensin suorittamalla ohjelmiston eristetyssä hiekkalaatikkoympäristössä, mikä mahdollistaa sen käyttäytymisen turvallisen seurannan. Järjestelmä tunnistaa tiedoston salauksen erityisen käyttäytymisen, mikä on tyypillistä lunnasohjelmatoimintaa. Nämä käyttäytymiset muutetaan sitten kaksiulotteiseksi harmaasävy- tai värikuvaksi.

Tämä kuviin perustuva formaatti mahdollistaa tutkijoille tekniikan käytön, jota kutsutaan ’siirto-oppimiseksi’ ennalta koulutettujen tekoälymallien kanssa. Tutkijat selittävät, että tämä vaihe on kriittinen, sillä se voittaa suuren esteen kyberturvallisuudessa, joka liittyy suurien, ajan tasalla olevien lunnasohjelmien näytteiden puutteeseen koulutusta varten.

”Rajoitettu data lisää ylisovittumisen riskiä, vähentää erilaisten käyttäytymistapojen tunnistamista ja heikentää luotettavuutta uusien uhkien havaitsemisessa”, tekijät selittävät.

Siirtävä oppiminen mahdollistaa tekoälyn soveltavan miljoonista yleisistä kuvista analysoinnin kautta saatuja tietoja erityisesti lunnasohjelmien tunnistamiseen, ilman tarvetta valtavalle haittaohjelmanäytteiden tietokannalle.

Tutkimustiimi havaitsi, että malli nimeltä ’ResNet50’ oli erityisen hyvä analysoimaan näitä käyttäytymiskuvia.

Merkittävästi, malli saavutti 99,96% tarkkuuden, mikä teki siitä erittäin tehokkaan lunnasohjelmien havaitsemisessa, vaikka se työskenteli pienellä tietojoukolla.

Varmistaakseen, että tekoälyn päätökset olivat luotettavia eivätkä perustuneet satunnaiselle kohinalle, tiimi käytti edistyneitä visualisointityökaluja. He loivat herkkyyskarttoja, jotka vahvistivat, että ”malli keskittyy rakenteellisiin käyttäytymiskoodattuihin alueisiin ja vahvistaa luokkakohtaisen mallin oppimisen.”

Tämä yhdistelmä lähes täydellistä tarkkuutta, kykyä työskennellä pienien tietojoukkojen kanssa, sekä avoimen päätöksenteon prosessi korostavat mallin potentiaalia käytännön käyttöönotossa.