kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2024-2(14)-6kaz44-1077Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ВРЕДОНОСНЫХ РЕКЛАМНЫХ ПРОГРАММ НА ВЕБ-СТРАНИЦАХUSING MACHINE LEARNING ALGORITHMS TO DETECT MALICIOUS ADVERTISEMENTS ON WEB PAGESРахимбайН. Е.RakhimbayN. E.

Назерке Рахимбай – магистрант кафедры «Информационные системы»

050040, Республика Казахстан, г. Алматы, пр. аль-Фараби, 71

Nazerke Rakhimbay – Master's student of the Department of Information Systems 

050040, Republic of Kazakhstan, Almaty, al-Farabi Ave., 71 

nazerke.rkh@gmail.comТусуповаК. Б.TusupovaK. B.

Камшат Тусупова – PhD, старший преподаватель кафедры «Информационные системы» 

050040, Республика Казахстан, г. Алматы, пр. аль-Фараби, 71 

Kamshat Tusupova – PhD, Senior Lecturer at the Department of Information Systems 

050040, Republic of Kazakhstan, Almaty, al-Farabi Ave., 71 

kamshat-0707@mail.ruКазахский национальный университет им. аль-ФарабиКазахстанAl-Farabi Kazakh National UniversityKazakhstan20242906202412(14)4350Copyright © Рахимбай Н.Е., Тусупова К.Б., 20242024Рахимбай Н.Е., Тусупова К.Б.Rakhimbay N.E., Tusupova K.B.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/1077

В статье рассматривается проблема распространения вредоносных рекламных программ через веб-страницы, которые представляют серьезную угрозу конфиденциальности и безопасности пользователей интернета. Использование алгоритмов машинного обучения для обнаружения и нейтрализации вредоносных рекламных программ, встроенных в Веб-страницы. Сосредоточив внимание на методах обработки данных, извлечения меток и классификации, машинное обучение подробно анализирует, как оно может улучшить процессы обнаружения вредоносных программ. Различные алгоритмы машинного обучения, включая логистическую регрессию, деревья решений, случайный лес, наивные байесовские и ансамблевые методы, изучаются для определения их эффективности в различении вредоносного и законного рекламного контента.Описана методика построения обучающих и тестовых моделей, включающая данные о вредоносных и безопасных рекламных модулях. Различные подходы к машинному обучению, включая обучение с учителем, обучение без учителя и методы глубокого обучения, анализируются для выявления скрытых моделей вредного поведения. Результаты исследования показывают, что использование алгоритмов машинного обучения позволяет с высокой точностью обнаруживать вредоносные рекламные программы, что может стать основой для разработки более эффективных инструментов кибербезопасности. Также обсуждаются потенциальные проблемы и ограничения существующих методов, а также предлагаются направления для дальнейших исследований по выявлению вредоносных рекламных программ с помощью машинного обучения.

The article examines the problem of the spread of malicious advertising programs through web pages that pose a serious threat to the privacy and security of Internet users. Using machine learning algorithms to detect and neutralize malicious advertising programs embedded in Web pages. By focusing on data processing, tag extraction, and classification techniques, machine learning analyzes in detail how it can improve malware detection processes. Various machine learning algorithms, including logistic regression, decision trees, random forest, naive Bayesian and ensemble methods, are being studied to determine their effectiveness in distinguishing malicious and legitimate advertising content.A methodology for building training and test models, including data on malicious and secure advertising modules, is described. Various approaches to machine learning, including teacher-led learning, unsupervised learning, and deep learning techniques, are being analyzed to identify hidden patterns of harmful behavior. The results of the study show that the use of machine learning algorithms makes it possible to detect malicious advertising programs with high accuracy, which can become the basis for the development of more effective cybersecurity tools. Potential problems and limitations of existing methods are also discussed, as well as directions for further research on detecting malicious advertising programs using machine learning.

машинное обучениевредоносное ПОкибербезопасностьискусственный интеллектвеб-страницыmachine learningmalwarecybersecurityartificial intelligenceweb pagesReferencesOshingbesan A. Detection of Malicious Websites Using Machine Learning Techniques. Cryptography and Security (cs.CR) / A. Oshingbesan, et al // Machine Learning (cs.LG)/ – 2022. Vol. 1. http://dx.doi.org/10.13140/RG.2.2.30165.14565.Oshingbesan A. Detection of Malicious Websites Using Machine Learning Techniques. Cryptography and Security (cs.CR) / A. Oshingbesan, et al // Machine Learning (cs.LG)/ – 2022. Vol. 1. http://dx.doi.org/10.13140/RG.2.2.30165.14565.Akhtar M.S. Malware Analysis and Detection Using Machine Learning Algorithms. / M. S. Akhtar & T. Feng // Symmetry. – 2022. – № 14(11). – Р. 2304. http://dx.doi.org/10.3390/sym14112304.Akhtar M.S. Malware Analysis and Detection Using Machine Learning Algorithms. / M. S. Akhtar & T. Feng // Symmetry. – 2022. – № 14(11). – Р. 2304. http://dx.doi.org/10.3390/sym14112304.Saxe J. Deep Neural Network Based Malware Detection Using Two Dimensional Binary Program Features / J. Saxe & K. Berlin // 10th International Conference on Malicious and Unwanted Software (MALWARE). – 2015. http://dx.doi.org/10.1109/MALWARE.2015.7413680.Saxe J. Deep Neural Network Based Malware Detection Using Two Dimensional Binary Program Features / J. Saxe & K. Berlin // 10th International Conference on Malicious and Unwanted Software (MALWARE). – 2015. http://dx.doi.org/10.1109/MALWARE.2015.7413680.Shijo P.V. Integrated Static and Dynamic Analysis for Malware Detection / P.V. Shijo & A. Salim // Procedia Computer Science. – 2015. – № 46. Р. 804-811. http://dx.doi.org/10.1016/j.procs.2015.02.149.Shijo P.V. Integrated Static and Dynamic Analysis for Malware Detection / P.V. Shijo & A. Salim // Procedia Computer Science. – 2015. – № 46. Р. 804-811. http://dx.doi.org/10.1016/j.procs.2015.02.149.Alazab M. Malware Detection Systems: The Need for Machine Learning Algorithms / M. Alazab M. et al // Springer Nature. – 2020. http://dx.doi.org/10.1007/978-981-16-7618-5_53.Alazab M. Malware Detection Systems: The Need for Machine Learning Algorithms / M. Alazab M. et al // Springer Nature. – 2020. http://dx.doi.org/10.1007/978-981-16-7618-5_53.Shin S.-S. A Heterogeneous Machine Learning Ensemble Framework for Malicious Webpage Detection / S.-S. Shin, S.-G. Ji & S.-S. Hong // Applied Sciences. – 2022. – № 12(23). Р. 12070. http://dx.doi.org/10.3390/app10030936.Shin S.-S. A Heterogeneous Machine Learning Ensemble Framework for Malicious Webpage Detection / S.-S. Shin, S.-G. Ji & S.-S. Hong // Applied Sciences. – 2022. – № 12(23). Р. 12070. http://dx.doi.org/10.3390/app10030936.Anis F.M. Interpretable Machine Learning Models for Malicious Domains Detection Using Explainable Artificial Intelligence (XAI) / F.M. Anis, R.M. Aljuaid & R. Baageel // Sustainability. – 2022. – № 14(12). Р. 7375. http://dx.doi.org/10.3390/su14127375.Anis F.M. Interpretable Machine Learning Models for Malicious Domains Detection Using Explainable Artificial Intelligence (XAI) / F.M. Anis, R.M. Aljuaid & R. Baageel // Sustainability. – 2022. – № 14(12). Р. 7375. http://dx.doi.org/10.3390/su14127375.Khan T.A. Significance of Machine Learning for Detection of Malicious Websites on an Unbalanced Dataset / T.A Khan & R. Kouatly // Digital. – 2020. № 2(4). Р. 501-519. http://dx.doi.org/10.3390/digital2040027.Khan T.A. Significance of Machine Learning for Detection of Malicious Websites on an Unbalanced Dataset / T.A Khan & R. Kouatly // Digital. – 2020. № 2(4). Р. 501-519. http://dx.doi.org/10.3390/digital2040027.Akhtar M.S. Malware Analysis and Detection Using Machine Learning Algorithms / M.S. Akhtar & T. Feng // Symmetry. – 2022. № 14(11). Р. 2304. http://dx.doi.org/10.3390/sym14112304.Akhtar M.S. Malware Analysis and Detection Using Machine Learning Algorithms / M.S. Akhtar & T. Feng // Symmetry. – 2022. № 14(11). Р. 2304. http://dx.doi.org/10.3390/sym14112304.Detection of Malicious Websites Using Machine Learning Techniques / A. Oshingbesan et al. – 2022. http://dx.doi.org/10.13140/RG.2.2.30165.14565.Detection of Malicious Websites Using Machine Learning Techniques / A. Oshingbesan et al. – 2022. http://dx.doi.org/10.13140/RG.2.2.30165.14565.

The authors declare that there are no conflicts of interest present.