लॉस एलामोस नेशनल लेबोरेटरी की एक शोध टीम बड़े पैमाने पर मैलवेयर विश्लेषण में कई महत्वपूर्ण कमियों को दूर करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग कर रही है, जिससे माइक्रोसॉफ्ट विंडोज मैलवेयर के वर्गीकरण में महत्वपूर्ण प्रगति हो रही है और उन्नत साइबर सुरक्षा उपायों का मार्ग प्रशस्त हो रहा है।अपने दृष्टिकोण का उपयोग करते हुए, टीम ने मैलवेयर परिवारों को वर्गीकृत करने में एक नया विश्व रिकॉर्ड बनाया है।

"साइबर-रक्षा प्रणालियों के लिए कृत्रिम बुद्धिमत्ता पद्धतियाँ विकसित की गईं, जिनमें बड़े पैमाने की प्रणालियाँ भी शामिल हैंमैलवेयरविश्लेषण के लिए, वास्तविक दुनिया की चुनौतियों पर विचार करने की आवश्यकता है," लॉस एलामोस में साइबर सिस्टम में उन्नत अनुसंधान के वैज्ञानिक मैक्सिम एरेन ने कहा। "हमारी पद्धति उनमें से कई को संबोधित करती है।"

हाल ही में टीम का पेपर थाप्रकाशितमेंगोपनीयता और सुरक्षा पर एसीएम लेनदेन.

यह शोध एआई का उपयोग करके एक नवीन पद्धति पेश करता है जो विंडोज मैलवेयर वर्गीकरण के क्षेत्र में एक महत्वपूर्ण सफलता है।यह दृष्टिकोण अर्ध-पर्यवेक्षित टेन्सर अपघटन विधियों और चयनात्मक वर्गीकरण, विशेष रूप से, अस्वीकार विकल्प का लाभ उठाकर यथार्थवादी मैलवेयर परिवार वर्गीकरण प्राप्त करता है।

एरेन ने कहा, "अस्वीकार विकल्प गलत निर्णय लेने के बजाय मॉडल की 'मुझे नहीं पता' कहने की क्षमता है, जो मॉडल को ज्ञान खोज क्षमता प्रदान करता है।"

साइबर रक्षा टीमों को संक्रमित मशीनों और दुर्भावनापूर्ण कार्यक्रमों की तुरंत पहचान करने की आवश्यकता है।इन दुर्भावनापूर्ण कार्यक्रमों को उनके पीड़ितों के लिए विशिष्ट रूप से तैयार किया जा सकता है, जिससे पारंपरिक मशीन सीखने के तरीकों के लिए बड़ी संख्या में नमूने एकत्र करना मुश्किल हो जाता है।

यह नई विधि एक ही समय में बड़े और छोटे दोनों डेटासेट वाले नमूनों के साथ सटीक रूप से काम कर सकती है - जिसे वर्ग असंतुलन कहा जाता है - जो इसे दुर्लभ और प्रमुख दोनों मैलवेयर परिवारों का पता लगाने की अनुमति देता है।यदि उसे अपने उत्तर पर भरोसा नहीं है तो वह भविष्यवाणियों को अस्वीकार भी कर सकता है।इससे सुरक्षा विश्लेषकों को नए खतरों का पता लगाने के लिए साइबर रक्षा जैसी व्यावहारिक उच्च जोखिम वाली स्थितियों में इन तकनीकों को लागू करने का विश्वास मिल सकता है।नवीन खतरों और ज्ञात प्रकार के मैलवेयर नमूनों के बीच अंतर करना शमन रणनीतियों को विकसित करने के लिए एक आवश्यक क्षमता है।इसके अतिरिक्त, यह विधि तब भी अपना प्रदर्शन बनाए रख सकती है जब इसके प्रशिक्षण में सीमित डेटा का उपयोग किया जाता है।

कुल मिलाकर, डेटा में बहुआयामी छिपे हुए पैटर्न को निकालने के लिए अस्वीकार विकल्प और टेंसर अपघटन विधियों का उपयोग, मैलवेयर को चिह्नित करने में एक बेहतर क्षमता स्थापित करता है।यह उपलब्धि टीम के दृष्टिकोण की अभूतपूर्व प्रकृति को रेखांकित करती है।

"हमारी सर्वोत्तम जानकारी के अनुसार, हमारा पेपर एक साथ अभूतपूर्व संख्या में मैलवेयर परिवारों को वर्गीकृत करके एक नया विश्व रिकॉर्ड बनाता है, जो पिछले काम को 29 गुना अधिक कर देता है, साथ ही सीमित डेटा, अत्यधिक कठिन वास्तविक दुनिया की परिस्थितियों में काम करता है।वर्ग-असंतुलन और नवीन मैलवेयर परिवारों की उपस्थिति के साथ," एरेन ने कहा।

टीम के टेंसर अपघटन तरीकों के साथउच्च प्रदर्शन कंप्यूटिंगऔर ग्राफिक्स प्रोसेसिंग यूनिट क्षमताएं, अब हैंउपलब्धGitHub में एक उपयोगकर्ता-अनुकूल पायथन लाइब्रेरी के रूप में।

अधिक जानकारी:मक्सिम ई. एरेन एट अल, स्वचालित मॉडल चयन के साथ पदानुक्रमित गैर-नकारात्मक मैट्रिक्स फैक्टराइजेशन के माध्यम से चरम वर्ग असंतुलन के तहत मैलवेयर परिवारों का अर्ध-पर्यवेक्षित वर्गीकरण,गोपनीयता और सुरक्षा पर एसीएम लेनदेन(2023)।डीओआई: 10.1145/3624567