АҚПАРАТТЫҚ-КОММУНИКАЦИЯЛЫҚ ОРТАДАҒЫ ЗИЯНДЫ БАҒДАРЛАМАЛАРДЫ АНЫҚТАУҒА АРНАЛҒАН ТЕРЕҢ ОҚЫТУҒА НЕГІЗДЕЛГЕН ИНТЕЛЛЕКТУАЛДЫ ГИБРИДТІ МОДЕЛЬДЕР

Бұл мақалада ақпараттық-коммуникациялық инфрақұрылымдарда зиянды бағдарламаларды анықтауға арналған терең оқыту әдістеріне негізделген интеллектуалды гибридті модельді зерттеу және әзірлеу ұсынылған. Зерттеудің мақсаты: конволюциялық (CNN), қайталанатын (GRU) және графтық (GNN) нейрондық желілерді онтологиялық ерекшеліктерді қалыпқа келтірумен біріктіретін архитектураны құру. Бұл тәсіл зиянды бағдарламалардың статикалық, мінез-құлықтық және құрылымдық сипаттамаларын кешенді талдауға мүмкіндік береді, нөлдік күндік шабуылдар мен полиморфты қауіптерге төзімділікті арттырады. Тәжірбиеде тексеру үшін EMBER-2018, Malimg, CICAndMal2017 және CICMalDroid-2020 ашық деректер жиынтығы пайдаланылды. Эксперименттер ұсынылған гибридті архитектураның жіктеу дәлдігін 98.7% және ROC-AUC = 0.99 қамтамасыз ететінін, оқшауланған терең оқыту модельдері мен дәстүрлі машиналық талдау әдістерінен асып түсетінін көрсетті. Онтологиялық білім моделін енгізу жүйенің түсіндірілуін арттырды және жалған оң нәтижелер көрсеткішін 1.7%-ға дейін төмендетті. Әзірленген бағдарламалық жасақтаманың прототипі шешімнің нақты уақыт жүйелерінде (SOC/IDS) қолданылуын көрсетті және практикалық киберқауіпсіздік жүйелерінде одан әрі масштабтау және енгізу әлеуетін көрсетті. Зерттеудің жаңалығы күрделі цифрлық ортада зиянды нысандарды дәлірек және түсінікті түрде анықтауға мүмкіндік беретін мультимодальды талдау мен онтологиялық модельдеуді біріктіруде жатыр.

1. CHislo – goda resheniya laboratorii Laboratoriya Kasperskogo ezhednevno obnaruzhivayut 467 tysyach novyh vredonosnyh fajlov // Press-reliz. – Moskovskaya obl., 4 dek. 2024. https://www.kaspersky.ru/about/press-releases/chislo-goda-resheniya-laboratorii-kasperskogoezhednevno-obnaruzhivayut-467-tysyach-novyh-vredonosnyh-fajlov.

2. Malware visualization for deep learning detection / Q. Cui et al // IEEE Access. – 2022. – Т. 10. – Р. 24435-24447.

3. Saxe J. Deep Neural Network Based Malware Detection Using Two-Dimensional Binary Program Features / J. Saxe, K. Berlin // Proc. 10th Int. Conf. on Malicious and Unwanted Software (MALWARE). – 2015. – Р. 11-20. https://doi.org/10.1109/MALWARE.2015.7413680.

4. Hybrid static and dynamic analysis for malware detection / A. Marastoni et al // Computers & Security. – 2024. – Vol. 135. – Article 109934.

5. AV-Comparatives. Real-World Protection Test 2024 – Summary Report // AVComparatives.org. – 2024.

6. Anderson H.S. EMBER: An open dataset for training static PE malware machine learning models / H.S. Anderson, P. Roth // arXiv. – 2018. – arXiv:1804.04637.

7. Malware Images: Visualization and Automatic Classification / L. Nataraj et al // Proc. International Symposium on Visualization for Cyber Security (VizSec). – Jul 2011. – P. 1-7. https://doi.org/10.1145/2016904.2016908.

8. Poornima P. Automated malware detection using machine learning and deep learning approaches for android applications / P. Poornima, G. Mahalakshmi // Expert Systems with Applications. – 2024. – Т. 237. – Article 121456.

9. Graph Neural Networks for Malware Detection: A Survey / Y. Zhu et al // IEEE Access. – 2023. – Т. 11. – Р. 85123-85147.

10. Ding Y. Ontology-based knowledge representation for malware individuals and families / Y. Ding, R. Wu, X. Xiao // Computers & Security. – 2019. – Vol. 87. – Art. 101574. https://doi.org/10.1016/j.cose.2019.101574.

11. Deldar F. Deep Learning for Zero-day Malware Detection and Classification: A Survey / F. Deldar, M. Abadi // ACM Computing Surveys. – 2023. – Vol. 56, № 2. – P. 1-37. https://doi.org/10.1145/3605775.

12. ScaleMalNet: A Scalable Hybrid Deep Learning Model for Malware Classification / R. Vinayakumar et al // Future Generation Computer Systems. – 2020. – Т. 115. – P. 280-292.

13. Alshoulie M. Deep Learning Approaches for Malware Detection: A Comprehensive Review of Techniques, Challenges, and Future Directions / M. Alshoulie, A. Mehmood // IEEE Access. – 2025. – Т. 13. – P. 118652-118677. https://doi.org/10.1109/ACCESS.2025.3582875.

14. Machine learning based fileless malware traffic classification using image visualization / F.A. Demmese et al // Cybersecurity. – 2023. – Т. 6, № 1. – Art. 32. https://doi.org/10.1186/s42400-023-00170-z.

15. A framework for detecting zero-day exploits in network flows / A. Touré et al // Computer Networks. – 2024. – Vol. 224. – Art. 110476. https://doi.org/10.1016/j.comnet.2024.110476.

16. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization / R.R. Selvaraju et al // Proceedings of the IEEE International Conference on Computer Vision (ICCV). – 2017. – P. 618-626. https://doi.org/10.1109/ICCV.2017.74. https://doi.org/10.48550/arXiv.1610.02391

17. GNNExplainer: Generating Explanations for Graph Neural Networks / R. Ying et al // Advances in Neural Information Processing Systems (NeurIPS). – 2019. – Vol. 32. – P. 9240-9251. https://doi.org/10.48550/arXiv.1903.03894.

18. Abduraimova B. Comparative study of machine learning applications in malware forensics / B. Abduraimova, S. Gnatyuk, A. Nurmukhanbetova // Proceedings of the Workshop on Cybersecurity Providing in Information and Telecommunication Systems II (CPITS-II 2024). – Kyiv, Ukraine, October 26, 2024. – CEUR Workshop Proceedings, Vol. 3826. – P. 139-152. https://ceur-ws.org/Vol3826/paper13.pdf (date of request: 03.11.2025).

19. AlOmari H. A comparative analysis of machine learning algorithms for Android malware detection / H. AlOmari, Q.M. Yaseen, M.A. Al-Betar // Procedia Computer Science. – 2023. – Vol. 220. – P. 763-768. https://doi.org/10.1016/j.procs.2023.03.101.

20. Analyzing and comparing the effectiveness of malware detection: A study of machine learning approaches / M. Azeem et al // Heliyon Computer Science. – 2024. – Vol. 10, № 1. – Art. e24058. https://www.sciencedirect.com/science/article/pii/S2405844023107821.

21. A robust machine learning-based mechanism for malware attack detection and analysis / R. Bakshi et al // Procedia Computer Science. – 2025. – Vol. 242. – P. 876-885. https://www.sciencedirect.com/science/article/pii/S1877050925010646.

22. Efficient malware detection using NLP and deep learning model / U. Gupta et al // Alexandria Engineering Journal. – 2025. – Vol. 124. – P. 550-564. https://www.sciencedirect.com/science/article/pii/S1110016825004260.