مقاله انگلیسی رایگان در مورد ظهور یادگیری ماشینی برای شناسایی و طبقه بندی بدافزارها – الزویر ۲۰۲۰
مشخصات مقاله | |
ترجمه عنوان مقاله | ظهور یادگیری ماشینی برای شناسایی و طبقه بندی بدافزارها: تحولات تحقیق، روندها و چالش ها |
عنوان انگلیسی مقاله | The rise of machine learning for detection and classification of malware: Research developments, trends and challenges |
انتشار | مقاله سال ۲۰۲۰ |
تعداد صفحات مقاله انگلیسی | ۲۲ صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله مروری (Review Article) |
مقاله بیس | این مقاله بیس نمیباشد |
نمایه (index) | Scopus – Master Journals List – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
۷٫۰۹۲ در سال ۲۰۱۹ |
شاخص H_index | ۷۷ در سال ۲۰۲۰ |
شاخص SJR | ۰٫۹۰۳ در سال ۲۰۱۹ |
شناسه ISSN | ۱۰۸۴-۸۰۴۵ |
شاخص Quartile (چارک) | Q1 در سال ۲۰۱۹ |
مدل مفهومی | ندارد |
پرسشنامه | ندارد |
متغیر | ندارد |
رفرنس | دارد |
رشته های مرتبط | کامپیوتر |
گرایش های مرتبط | هوش مصنوعی، امنیت اطلاعات، مهندسی نرم افزار |
نوع ارائه مقاله |
ژورنال |
مجله | مجله برنامه های کاربردی شبکه و رایانه – Journal Of Network And Computer Applications |
دانشگاه | University of Lleida, Jaume II, 69, Lleida, Spain |
کلمات کلیدی | شناسایی بدافزارها، مهندسی ویژگی، یادگیری ماشین، یادگیری عمیق، یادگیری چندوجهی |
کلمات کلیدی انگلیسی | Malware detection، Feature engineering، Machine learning، Deep learning، Multimodal learning |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.jnca.2019.102526 |
کد محصول | E14346 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract
۱- Introduction ۲- Related work ۳- Background ۴- Traditional machine learning approaches ۵- Deep learning approaches ۶- Multimodal approaches ۷- Research issues and challenges ۸- Conclusions References |
بخشی از متن مقاله: |
Abstract The struggle between security analysts and malware developers is a never-ending battle with the complexity of malware changing as quickly as innovation grows. Current state-of-the-art research focus on the development and application of machine learning techniques for malware detection due to its ability to keep pace with malware evolution. This survey aims at providing a systematic and detailed overview of machine learning techniques for malware detection and in particular, deep learning techniques. The main contributions of the paper are: (1) it provides a complete description of the methods and features in a traditional machine learning workflow for malware detection and classification, (2) it explores the challenges and limitations of traditional machine learning and (3) it analyzes recent trends and developments in the field with special emphasis on deep learning approaches. Furthermore, (4) it presents the research issues and unsolved challenges of the state-of-the-art techniques and (5) it discusses the new directions of research. The survey helps researchers to have an understanding of the malware detection field and of the new developments and directions of research explored by the scientific community to tackle the problem. Introduction A brief look at the history of malicious software reminds us that the presence of malware threats has been with us since the dawn of computing. The earliest documented virus appeared during the 1970s. It was known as the Creeper Worm and was an experimental self-replicating program that copied itself to remote systems and displayed the message: “I’m the creeper, catch me if you can”. Later, in the early 80s, appeared Elk Cloner, a boot-sector virus that targeted Apply II computers. From these simple beginnings, a massive industry was born and, since then, the fight against malware has never stopped. By the looks of it, this fight turned out to be a never-ending and cyclical arms race: as security analysts and researchers improve their defenses, malware developers continue to innovate, find new infection vectors and enhance their obfuscation techniques. Malware threats continue to expand vertically (i.e. numbers and volumes) and horizontally (i.e. types and functionality) due to the opportunities provided by technological advances. Internet, social networks, smartphones, IoT devices and so on, make it possible for the creation of smart and sophisticated malware. |