ПРИМЕНЕНИЕ МЕТОДОВ EXPLAINABLE AI ДЛЯ ПОВЫШЕНИЯ ИНТЕРПРЕТИРУЕМОСТИ СИСТЕМ ОБНАРУЖЕНИЯ ВРЕДОНОСНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

Аннотация

Системы обнаружения вредоносного ПО, основанные на машинном обучении, демонстрируют высокую точность, но зачастую страдают недостатком прозрачности, что ограничивает их надежность в операциях по кибербезопасности. В данном исследовании представлена интерпретируемая архитектура обнаружения вредоносного ПО, объединяющая классификатор LightGBM, обученный на наборе данных EMBER, с методами объяснимого искусственного интеллекта (XAI) на основе SHAP. В отличие от предыдущих работ, в которых объяснимость применялась лишь постфактум, наша архитектура встраивает интерпретируемость непосредственно в конвейер модели без ущерба для прогнозирующей способности. Модель достигла точности 97,35% и ROC-AUC 0,9963, что подтверждает ее высокую дискриминационную способность. Анализ SHAP выявил ключевые влиятельные признаки, такие как энтропия файла, размер таблицы импорта и подозрительное использование API, что повышает прозрачность автоматизированного анализа вредоносного ПО и способствует принятию более надежных решений в средах кибербезопасности.