Una nueva técnica para la detección de ransomware utilizando características dinámicas basadas en imágenes y...

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Ciencias forenses de la computación

Sus antecedentes:

• Los ataques de ransomware están aumentando, lo que requiere métodos avanzados de detección.
• La detección actual basada en imágenes a menudo utiliza análisis estático, faltando comportamientos dinámicos.
• Los métodos de análisis dinámico existentes carecen de representación espacial y luchan con la escalabilidad.

Objetivo del estudio:

• Para desarrollar un nuevo marco de detección de ransomware de comportamiento a imagen.
• Para superar las limitaciones de la ingeniería de características manuales y grandes conjuntos de datos etiquetados.
• Para mejorar la precisión de detección y la generalización de las amenazas de ransomware.

Principales métodos:

• Transformando las características dinámicas del comportamiento en imágenes en escala de grises y color 2D.
• Utilizando el aprendizaje de transferencia (TL) con modelos preentrenados como ResNet50.
• Integrar el filtrado de características específicas del dominio y el análisis de impacto.

Principales resultados:

• Se logra una precisión de hasta el 99,96% con un factor de pérdida mínimo de 0,0026.
• Efectividad demostrada con un pequeño conjunto de datos (500 ransomware, 500 muestras benignas).
• Interpretabilidad del modelo validada mediante visualizaciones t-SNE y mapas de saliencia.

Conclusiones:

• El marco de comportamiento a imagen con TL ofrece una solución escalable y adaptable para la detección de ransomware.
• El enfoque reduce efectivamente la necesidad de datos etiquetados extensos, manteniendo al mismo tiempo un alto rendimiento.
• La transparencia y la precisión del modelo sugieren un gran potencial para el despliegue práctico de la ciberseguridad.