માઈક્રોસોફ્ટ અને ઈન્ટેલ માલવેરને ઈમેજીસમાં કન્વર્ટ કરીને ઓળખવાનું સરળ બનાવશે

તે જાણીતું બન્યું છે કે માઇક્રોસોફ્ટ અને ઇન્ટેલના નિષ્ણાતો દૂષિત સૉફ્ટવેરને ઓળખવા માટે સંયુક્ત રીતે નવી પદ્ધતિ વિકસાવી રહ્યા છે. પદ્ધતિ ડીપ લર્નિંગ અને ગ્રેસ્કેલમાં ગ્રાફિક ઇમેજના સ્વરૂપમાં માલવેરને રજૂ કરવા માટેની સિસ્ટમ પર આધારિત છે.

સ્ત્રોત અહેવાલ આપે છે કે થ્રેટ ડિફેન્સ ઇન્ટેલિજન્સ ગ્રુપના માઇક્રોસોફ્ટ સંશોધકો માલવેરનો સામનો કરવા માટે ડીપ લર્નિંગનો ઉપયોગ કરવાની શક્યતા શોધવા માટે ઇન્ટેલના સાથીદારો સાથે કામ કરી રહ્યા છે. જે સિસ્ટમ વિકસાવવામાં આવી રહી છે તેને STAtic Malware-as-Image Network Analysis, અથવા STAMINA કહેવાય છે. સિસ્ટમ મોનોક્રોમ ઈમેજીસના રૂપમાં પ્રસ્તુત બાઈનરી માલવેર ફાઈલો પર પ્રક્રિયા કરે છે. સંશોધકોએ શોધી કાઢ્યું કે એક જ પરિવારના માલવેરની આવી છબીઓમાં માળખાકીય સમાનતા છે, જેનો અર્થ છે કે રચના અને માળખાકીય પેટર્નનું વિશ્લેષણ કરી શકાય છે અને સૌમ્ય અથવા દૂષિત તરીકે ઓળખી શકાય છે.

દ્વિસંગી ફાઈલોને ઈમેજીસમાં રૂપાંતરિત કરવાનું દરેક બાઈટને 0 થી 255 સુધીનું મૂલ્ય સોંપીને શરૂ થાય છે, જે પિક્સેલની રંગની તીવ્રતાને અનુરૂપ છે. આ પછી, પિક્સેલને બે મૂળભૂત મૂલ્યો પ્રાપ્ત થાય છે જે પહોળાઈ અને ઊંચાઈ દર્શાવે છે. વધુમાં, ફાઈલ માપનો ઉપયોગ અંતિમ ઈમેજની પહોળાઈ અને ઊંચાઈ નક્કી કરવા માટે થાય છે. ત્યારબાદ સંશોધકોએ મૉલવેર ક્લાસિફાયર બનાવવા માટે મશીન લર્નિંગ તકનીકોનો ઉપયોગ કર્યો જેનો ઉપયોગ વિશ્લેષણ પ્રક્રિયામાં થાય છે.

2,2 મિલિયન એક્ઝિક્યુટેબલ ફાઇલોનો ઉપયોગ કરીને સ્ટેમિનાનું પરીક્ષણ કરવામાં આવ્યું હતું. સંશોધકોએ શોધી કાઢ્યું છે કે દૂષિત કોડને ઓળખવાની ચોકસાઈ 99,07% સુધી પહોંચે છે. તે જ સમયે, ખોટા હકારાત્મકની સંખ્યા 2,58% કેસોમાં નોંધવામાં આવી હતી, જે સામાન્ય રીતે એકદમ સારું પરિણામ છે.

વધુ જટિલ જોખમોને ઓળખવા માટે, સ્થિર વિશ્લેષણનો ઉપયોગ ગતિશીલ અને વર્તણૂકીય વિશ્લેષણ સાથે સંયોજનમાં વધુ વ્યાપક ધમકી શોધ પ્રણાલીઓ બનાવવા માટે કરી શકાય છે.

સોર્સ: 3dnews.ru