ВЕБ-БЕТТЕРДЕГІ ЗИЯНДЫ ЖАРНАМАЛЫҚ БАҒДАРЛАМАЛАРДЫ АНЫҚТАУДА МАШИНАЛЫҚ ОҚЫТУ АЛГОРИТМДЕРІН ПАЙДАЛАНУ

Мақалада интернет қолданушыларының құпиялылығы мен қауіпсіздігіне айтарлықтай қауіп төндіретін веб-беттер арқылы зиянды жарнамалық бағдарламаларды тарату мәселесі қарастырылады. Веб-беттерге енгізілген зиянды жарнамалық бағдарламаларды анықтау және бейтараптандыру үшін машиналық оқыту алгоритмдерін қолдану. Деректерді өңдеу, белгілерді алу және жіктеу әдістеріне назар аудара отырып, машиналық оқыту зиянды бағдарламарларды анықтау процестерін қалай жақсарта алатынын егжей-тегжейлі талдайды. Зиянды және заңды жарнамалық мазмұнды ажыратудағы тиімділігін анықтау үшін машиналық оқытудың әртүрлі алгоритмдері, соның ішінде логистикалық регрессия, шешім ағаштары, кездейсоқ орман, аңғал Байес және ансамбльдік әдістер зерттеледі.
Зиянды және қауіпсіз жарнама модульдері туралы деректерді қамтитын оқыту және тест үлгілерін құру әдістемесі сипатталған. Зиянды мінез-құлықтың жасырын үлгілерін анықтау үшін машиналық оқытудың әртүрлі тәсілдері, соның ішінде мұғаліммен, мұғалімсіз оқыту және терең оқыту әдістері талданады. Зерттеу нәтижелері машиналық оқыту алгоритмдерін қолдану зиянды жарнамалық бағдарламаларды жоғары дәлдікпен анықтауға мүмкіндік беретінін көрсетеді, бұл тиімдірек киберқауіпсіздік құралдарын әзірлеуге негіз бола алады. Сондай-ақ, қолданыстағы әдістердің ықтимал мәселелері мен шектеулері талқыланады және машиналық оқыту арқылы зиянды жарнамалық бағдарламаларды анықтау бойынша қосымша зерттеулер жүргізу үшін бағыттар ұсынылады.

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.