Antywirus, który naśladuje mózg, może złapać więcej złośliwego oprogramowania

Złośliwe oprogramowanie komputerowe często może obejść oprogramowanie antywirusowe, jeśli autor zmieni kilka linijek kodu lub zaprojektuje program tak, aby automatycznie mutował się przed każdą nową infekcją.

Sztuczne sieci neuronowe, wyszkolone do rozpoznawania cech złośliwego kodu na podstawie milionów przykładów złośliwych i niezłośliwych plików, mogą być może oferować znacznie lepszy sposób na wyłapanie takiego nikczemnego kodu. Kilka firm testuje podejście znane jako głębokie uczenie, które polega na trenowaniu sieci z wieloma warstwami symulowanych neuronów przy użyciu ogromnych ilości danych.

Izraelski startup o nazwie Głęboki Instynkt planuje uruchomić usługę bezpieczeństwa w oparciu o podejście w przyszłym tygodniu. Firma twierdzi, że jej oprogramowanie znacznie lepiej wyłapuje zmodyfikowane wersje istniejącego złośliwego oprogramowania niż obecne oprogramowanie antywirusowe. Twierdzenia te muszą jeszcze zostać niezależnie zweryfikowane, ale inni badają wykorzystanie głębokiego uczenia w oprogramowaniu antywirusowym, a ich opublikowane wyniki sugerują, że może to pomóc odwrócić bieg w walce z infekcjami złośliwym oprogramowaniem.

Głębokie uczenie obejmuje trenowanie dużej sieci symulowanych neuronów i synaps w celu rozpoznawania abstrakcyjnych lub złożonych wzorców na podstawie przykładowych danych. Po nakarmieniu odpowiednio dużą liczbą przykładów, taka sieć poprawnie zidentyfikuje nowe przykłady, które na podstawowym poziomie wydają się odmienne. System głębokiego uczenia można na przykład nauczyć rozpoznawania twarzy konkretnej osoby na tysiącach zdjęć, a następnie dostrzegania tej osoby na nowych zdjęciach, nawet wykonanych w słabym oświetleniu lub pod dziwnym kątem.

Eli David, współzałożyciel i dyrektor ds. technologii Deep Instinct oraz wykładowca uczenia maszynowego na Uniwersytecie Bar-Ilan w Izraelu, mówi, że jego firma szkoli swoją sieć głębokiego uczenia się, używając tysięcy różnych parametrów różnych plików. David mówi, że ten czasochłonny i intensywny obliczeniowo proces, który działa na klastrze procesorów graficznych, jest wykorzystywany do generowania statycznej sieci neuronowej, która jest następnie dystrybuowana do użytkowników końcowych. Sieć wysyłana do użytkowników nie może być aktualizowana, co oznacza, że ​​do działania nie wymaga tak dużej mocy komputera; ale może rozpoznawać i oznaczać nowe złośliwe oprogramowanie.

Według Biuletyn wirusów , niezależna organizacja testująca oprogramowanie zabezpieczające, najlepszy komercyjny program antywirusowy może wyłapać około 87 procent wszystkich nowych zagrożeń kilka miesięcy po ostatniej aktualizacji oprogramowania.

David twierdzi, że we własnych testach firmy jej oprogramowanie było w stanie wykryć o 20 procent więcej nowego złośliwego oprogramowania niż istniejące oprogramowanie antywirusowe. Zasadniczo może stwierdzić, czy plik jest wystarczająco podobny do istniejącego złośliwego oprogramowania, aby uczynić go podejrzanym. Istniejące oprogramowanie antywirusowe może zostać oszukane, jeśli określony ciąg kodu używany do wykrywania został zmieniony. Głębokie uczenie jest niezwykle odporne na hałas, mówi. Taki też jest pomysł.

Podobną sieć głębokiego uczenia do wykrywania złośliwego oprogramowania opracowało trzech badaczy z firmy Microsoft wraz z George Dahl , który w tamtym czasie był studentem jednego z wiodących laboratoriów głębokiego uczenia się na Uniwersytecie w Toronto, a obecnie jest naukowcem w Google.

DO papier opublikowane przez naukowców opisują, w jaki sposób wprowadzali funkcje, w tym ciągi plików i parametry interfejsu programowania aplikacji, do kilku dostosowanych sieci głębokiego uczenia się. Po przeszkoleniu sieci na 2,6 milionach przykładów, jak piszą badacze, system był w stanie wykryć nowe wystąpienia złośliwego oprogramowania o najwyższej wydajności.

Inne papier , opublikowanym online przez dwóch badaczy z firmy ochroniarskiej Invincea , opisuje inną próbę zbudowania systemu głębokiego uczenia do wykrywania złośliwego oprogramowania. Para twierdzi, że ich system głębokiego uczenia był w stanie wykryć nowe złośliwe oprogramowanie z niezawodnością 95 procent i współczynnikiem błędów 0,01 procent.

Nic dziwnego, że w celu ulepszenia oprogramowania zabezpieczającego rozważa się głębokie uczenie. Wiele dużych firm technologicznych i startupów agresywnie stosuje głębokie uczenie się. Podejście to już poprawiło wydajność oprogramowania do rozpoznawania pisma ręcznego i rozpoznawania głosu; i coraz częściej stosuje się go do znacznie bardziej złożonych zadań, takich jak rozumienie języka naturalnego (patrz Uczenie maszyn, aby nas zrozumieć ).

Jerzy Cybenko , profesor w Dartmouth College, który bada wykorzystanie uczenia maszynowego w bezpieczeństwie komputerowym, mówi, że pomysł wykorzystania sieci neuronowych do skanowania w poszukiwaniu złośliwego oprogramowania ma ponad dekadę. Twierdzi jednak, że pojawienie się głębokiego uczenia prawdopodobnie skłoni firmy do przyjrzenia się temu podejściu.

Cybenko twierdzi, że deklarowana wydajność systemów wykrywania wirusów opartego na głębokim uczeniu byłaby przełomem, chociaż wyniki będą musiały zostać przetestowane naukowo. Zauważa również, że twórcy wirusów są notorycznie wytrwali. Jeśli nastąpi przełom, przeprowadzą badania i rozwój i wymyślą nowe podejście.

ukryć