Μία νέα προσέγγιση στην ταξινόμηση του κακόβουλου λογισμικού (malware) ακολουθούν τελευταία οι Microsoft και Intel, η οποία βασίζεται στην… οπτικοποίηση του.

Οι δύο εταιρείες ανακοίνωσαν ότι εργάζονται μαζί σε ένα νέο πρότζεκτ με την ονομασία STAMINA (Static Malware-as-Image Network Analysis), το οποίο μετατρέπει τον κακόβουλο κώδικα σε ασπρόμαυρες εικόνες (της κλίμακας του γκρι, από το μαύρο 0 έως στο λευκό 256) ώστε ένα σύστημα βαθιάς εκμάθησης να μπορεί να τις μελετήσει. Η συγκεκριμένη προσέγγιση μετατρέπει την δυαδική μορφή ενός αρχείου σε μία απλή ροή εικονοστοιχείων, και μετατρέπει την εικόνα σε διαστάσεις που ποικίλουν, ανάλογα το μέγεθος του αρχείου. Ένα εκπαιδευμένο νευρωνικό δίκτυο στη συνέχεια «σαρώνει» τις εικόνες και καθορίζει τι –και αν- έχει μολύνει το αρχείο.

Η ιστοσελίδα ZDNet επεσήμανε ότι η Τεχνητή Νοημοσύνη (AI) έχει εκπαιδευτεί χάρη στον τεράστιο όγκο δεδομένων που έχει συλλέξει η Microsoft από τις εκατομμύρια εγκαταστάσεις της εφαρμογής Windows Defender. Η τεχνολογία δεν απαιτεί πλήρους μεγέθους, και εικονοστοιχείο-με-εικονοστοιχείο αναδημιουργίες των ιών, κάτι που είναι λογικό λαμβάνοντας υπόψη ότι κάποιοι τύποι malware ή ιών ενδέχεται να μετατραπούν εύκολα σε γιγαντιαίες εικόνες.

Η μέθοδος STAMINA έχει ως επί το πλείστον αποδειχτεί αποτελεσματική έως τώρα, επιδεικνύοντας ακρίβεια πάνω από 99% στην ταξινόμηση κακόβουλου λογισμικού ενώ το ποσοστό των ψευδών θετικών βρίσκεται λίγο κάτω από το 2,6%. Ωστόσο, λειτουργεί καλύτερα με τα μικρότερου μεγέθους αρχεία, και δυσκολεύεται με τα μεγαλύτερα. Με αρκετές ωστόσο βελτιώσεις θα μπορούσε να είναι πολύ χρήσιμη. Οι περισσότερες τεχνικές ανίχνευσης κακόβουλου λογισμικού βασίζονται στην εξαγωγή δυαδικών υπογραφών ή δακτυλικών αποτυπωμάτων, ωστόσο ο τεράστιος αριθμός υπογραφών δυσκολεύει τα πράγματα. Η νέα αυτή μέθοδος θα μπορούσε να βοηθήσει τα εργαλεία anti-malware να διατηρήσουν την αποτελεσματικότητα τους και να μειώσουν την πιθανότητα νέες προηγμένες απειλές να ξεγλιστρήσουν από τις άμυνες υπολογιστών και δικτύων.

  • Like 2
  • Thanks 1