AI-malli saavuttaa 98,53% tarkkuuden lunnasohjelmien tunnistamisessa älylaitteissa

Tutkijat kehittivät tekoälymallin, joka tunnistaa lunnasohjelmat IoT-laitteissa suurella tarkkuudella käyttäen syväoppimista ja optimointitekniikoita kyberturvallisuuteen.

Tutkijaryhmä on tänään yksityiskohtaisesti esitellyt löydöksensä Scientific Reports -julkaisussa, joka on julkaistu Nature-lehdessä. He ovat kehittäneet edistyksellisen tekoälyllä toimivan mallin, joka on suunniteltu havaitsemaan ja estämään lunnasohjelmien hyökkäykset älylaitteisiin.

Internet of Things (IoT) -teknologian nopean laajentumisen myötä kodeissa, terveydenhuollossa ja teollisuudessa, kyberturvallisuusuhat ovat kasvaneet huolenaiheeksi.

Lunnasohjelmat, yksi vaarallisimmista kyberuhkista, lukitsevat käyttäjät ulos järjestelmistään, kunnes he maksavat lunnaat. Tutkijat selvittivät, kuinka perinteiset turvatoimet usein epäonnistuvat havaitsemaan ja estämään näitä kehittyviä hyökkäyksiä, mikä on saanut tutkijat tutkimaan AI-ratkaisuja.

Heidän uusi mallinsa, jota kutsutaan nimellä Multi-head Attention-Based Recurrent Neural Network with Enhanced Gorilla Troops Optimization (MHARNN-EGTOCRD), parantaa merkittävästi lunnasohjelmien tunnistamistarkkuutta käyttämällä koneoppimistekniikoita.

Malli ensin normalisoi saapuvan datan käyttämällä min-max-normalisointia, mikä takaa tehokkaan prosessoinnin. Sen jälkeen se käyttää Dung Beetle Optimization (DBO) -tekniikkaa, joka on inspiraation saanut siitä, miten lehmänlannan kerääjät löytävät ruokaa, suodattaakseen pois tarpeettoman tiedon ja keskittyäkseen ainoastaan kaikkein merkityksellisimpiin kyberturvallisuusuhat.

Järjestelmän ydintä hyödyntää Multi-head Attention ja Long Short-Term Memory (MHA-LSTM) -verkko, edistyksellinen syväoppimisen lähestymistapa, joka auttaa havaitsemaan monimutkaisia hyökkäysmalleja.

Analysoimalla aiempia lunnasohjelmakäyttäytymisiä, tekoäly pystyy ennustamaan ja merkitsemään mahdolliset hyökkäykset ennen niiden täysimittaista toteutumista. Lisäksi järjestelmää on hienosäädetty Enhanced Gorilla Troops Optimization (EGTO) -menetelmällä, joka optimoi tekoälyn asetukset maksimaalisen tehokkuuden saavuttamiseksi.

Testauksessa malli saavutti vaikuttavan 98,53% tarkkuuden havaitessaan lunnasohjelmia, ylittäen perinteiset kyberturvallisuusmenetelmät. Tämä suuri tarkkuus viittaa siihen, että tekoälystä voisi tulla tehokas työkalu taistelussa kyberrikollisuutta vastaan, erityisesti älylaitteiden suojaamisessa monimutkaisilta hyökkäyksiltä.

Tutkijat uskovat, että heidän mallinsa voitaisiin integroida olemassa oleviin kyberturvallisuusjärjestelmiin, tarjoten varhaisen varoitusmekanismin lunnasohjelmaiskuille.

Kun IoT-laitteiden käyttö jatkaa laajentumistaan jokapäiväisessä elämässämme, niiden turvallisuuden vahvistaminen on ratkaisevaa taloudellisten ja tietojen menetysten estämiseksi. Luonnosta inspiroituneiden optimointitekniikoiden yhdistäminen syväoppimiseen, tämä tekoälymalli edustaa merkittävää edistysaskelta kyberturvallisuudessa.