ЗИЯНДЫ ПРОГРАММАЛЫҚ КАМТАМАЛАРДЫ АНЫҚТАУ ЖҮЙЕЛЕРІНІҢ ТҮСІНДІРІЛГІШТІГІН АРТТЫРУ ҮШІН EXPLAINABLE AI ӘДІСТЕРІН ПАЙДАЛАНУ

Аңдатпа

Машиналық оқытуға негізделген зиянды бағдарламаларды анықтау жүйелері жоғары дәлдікке қол жеткізгенімен, олардың ашықтығы жиі жетіспейді, бұл киберқауіпсіздік операцияларындағы сенімділікті шектейді. Бұл зерттеу EMBER деректер жиынтығында оқытылған LightGBM классификаторын SHAP-қа негізделген түсіндірмелі жасанды интеллект (XAI) әдістерімен біріктіретін интерпретацияланатын зиянды бағдарламаларды анықтау фреймворкін ұсынады. Түсіндіру мүмкіндігін тек post hoc түрінде қолданатын бұрынғы жұмыстарға қарағанда, біздің фреймворк интерпретациялануды болжау өнімділігіне нұқсан келтірместен тікелей модель құбырына (pipeline) енгізеді. Модель 97,35% дәлдікке және 0,9963 ROC-AUC көрсеткішіне қол жеткізіп, өзінің жоғары ажырату қабілетін растады. SHAP талдауы файл энтропиясы, импорт кестесінің көлемі және күдікті API қолданылуы сияқты негізгі ықпалды белгілерді анықтады, бұл зиянды бағдарламаларды автоматтандырылған талдаудың ашықтығын жақсартады және киберқауіпсіздік орталарында сенімдірек шешім қабылдауға қолдау көрсетеді.