Програмний модуль виявлення шкідливого програмного забезпечення на основі гібридних моделей глибокого навчання

Abstract

Метою кваліфікаційної роботи є розроблення програмного модуля виявлення шкідливого програмного забезпечення на основі гібридних моделей глибокого навчання, який забезпечує підвищення ефективності класифікації шкідливих програм за рахунок поєднання ознак, отриманих різними нейронними архітектурами. Методи досліджень включають методи аналізу та узагальнення науковотехнічної літератури, методи машинного та глибокого навчання, алгоритми згорткових нейронних мереж, а також методи програмної реалізації та тестування програмних систем. Розроблено програмний модуль виявлення шкідливого програмного забезпечення на основі гібридних моделей глибокого навчання, який забезпечує приймання вхідних зразків програмного забезпечення, їх попередню обробку, перетворення байтового вмісту виконуваних файлів у зображення, формування ознакових представлень за допомогою згорткових нейронних мереж, об’єднання отриманих ознак і виконання бінарної класифікації зразків. Результати дослідження можуть бути використані для створення та вдосконалення програмних засобів виявлення шкідливого програмного забезпечення, розроблення інтелектуальних модулів кібербезпеки, автоматизації аналізу виконуваних файлів, підвищення ефективності систем захисту інформації.

The purpose of the qualification work is to develop a software module for malware detection based on hybrid deep learning models, which improves the efficiency of malware classification by combining features obtained from different neural network architectures. The research methods include methods of analysis and generalization of scientific and technical literature, machine learning and deep learning methods, convolutional neural network algorithms, as well as methods of software implementation and testing of software systems. A software module for malware detection based on hybrid deep learning models has been developed. The module provides input software sample acquisition, preliminary data processing, conversion of the byte content of executable files into images, formation of feature representations using convolutional neural networks, fusion of the obtained features, and binary classification of samples. The research results can be used for the creation and improvement of software tools for malware detection, the development of intelligent cybersecurity modules, the automation of executable file analysis, and the improvement of the efficiency of information security systems.