Open AccessDevelopment of the malware detection model based on an analysis of API request sequences
Author(s) -
Александр Николаевич Черкасов,
Егор Алексеевич Туркин
Publication year - 2021
Publication title -
vestnik adygejskogo gosudarstvennogo universiteta. seriâ estestvenno-matematičeskie i tehničeskie nauki
Language(s) - English
Resource type - Journals
ISSN - 2410-3225
DOI - 10.53598/2410-3225-2021-2-281-90-96
Subject(s) - malware , computer science , executable , classifier (uml) , data mining , artificial neural network , software , artificial intelligence , reverse engineering , relevance (law) , key (lock) , machine learning , pattern recognition (psychology) , operating system , political science , law
Анализ актуальности существующих работ по изучению нейросетевых алгоритмов обнаружения вредоносного программного обеспечения позволил определить оптимальный подход к решению задачи распознавания вирусов. Был сформирован набор данных, содержащий последовательности системных запросов для 2083 исполняемых файлов. Обучение модели рекуррентной нейронной сети на полученном наборе данных позволило получить классификатор с точностью распознавания вредоносных программ 97,6%. Ключевой аспект значимости работы заключается в практической ориентированности исследования - полученная модель будет применена в качестве компонента системы комплексного анализа вредоносного программного обеспечения. An analysis of the relevance of existing works on the study of neural network algorithms for detecting malicious software made it possible to determine the optimal approach to solving the problem of virus recognition. A dataset has been generated containing sequences of system requests for 2083 executable files. Training the recurrent neural network model on the generated dataset made it possible to obtain a classifier with a malware recognition accuracy of 97.6%. The key aspect of the significance of the work lies in the practical orientation of the research - the resulting model will be applied as a component of a system for complex analysis of malicious software.