ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ВРЕДОНОСНЫХ РЕКЛАМНЫХ ПРОГРАММ НА ВЕБ-СТРАНИЦАХ

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.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. Detection of Malicious Websites Using Machine Learning Techniques / A. Oshingbesan et al. – 2022. http://dx.doi.org/10.13140/RG.2.2.30165.14565.