一种基于机器学习的勒索软件检测方法,用于攻击者的中和技术,使用格式保护加密

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 恶意软件分析 恶意软件分析

背景情况:

• 勒索软件加密文件,要求付款并造成全球损害.
• 传统的检测方法与先进的勒索软件技术 (如格式保护加密 (FPE)) 进行斗争.
• 攻击者操纵文件并使用FPE绕过现有的安全措施.

研究的目的:

• 开发和评估一种基于机器学习的方法来检测感染勒索软件的文件,这些文件使用FPE.
• 解决当前针对复杂勒索软件的检测技术的局限性.
• 为了对抗勒索软件中和攻击,这些攻击操纵和使用FPE.

主要方法:

• 实现机器学习模型,包括K-最近邻居 (KNN),后勤回归和决策树.
• 在包含使用FPE加密的勒索软件感染文件的数据集上进行培训和测试模型.
• 对检测FPE加密勒索软件的模型性能进行评估.

主要成果:

• 大多数机器学习模型,不包括后勤回归和多层感知器 (MLP),成功检测了FPE加密的勒索软件.
• 拟议的方法在各种数据集中实现了94.64%的平均精度.
• 该研究证明了机器学习在识别绕过基于的检测的勒索软件方面的有效性.

结论:

• 机器学习为检测使用格式保护加密的勒索软件提供了强大的解决方案.
• 拟议的方法有效地抵消了操纵文件的先进勒索软件策略.
• 这项研究推进了勒索软件检测能力,改善了对不断变化的网络威胁的保护.