إطار عمل للتحقيق الجنائي المدعوم بالذكاء الاصطناعي للكشف الموثوق عن برمجيات الفدية
محتوى المقال
الملخص
تُشكل برمجيات الفدية (Ransomware) خطراً كبيراً على الأمن السيبراني في تزايد مستمر، وتستمر تهديدات مثل «واناكراي» (WannaCry) في إظهار الحاجة الملحة لأساليب كشف أكثر ذكاءً وتكيفاً. تقدم هذه الورقة نموذج DeepRansom، وهو نموذج قوي يعتمد على التعلم العميق، صُمم للكشف عن برمجية الفدية «واناكراي» في بيئات البرمجيات الخبيثة المعقدة بدقة عالية ونهج شفاف.
تجمع بنية النموذج بين آلية اختيار الميزات في شبكة (TabNet) وسياق التعلم الخاص بـ(FT-Transformer) لإنشاء بنية نموذج مزدوجة توفر الأداء العالي والقابلية للتفسير في آن واحد. تم تدريب واختبار نموذج DeepRansom على مجموعة بيانات واسعة تشمل 21,752 عينة لـ 26 عائلة من البرمجيات الخبيثة، مع 11 متغيراً رئيسياً لبرمجيات الفدية.
يعيد النموذج المقترح صياغة عملية التعرف على «واناكراي» كمهمة تصنيف ثنائي، ويقدم نتائج أفضل من الخوارزميات الكلاسيكية بما في ذلك (Random Forest) و(SVM) و(XGBoost)، بالإضافة إلى نماذج التعلم العميق المرجعية الأخرى. وقد أثبتت التجارب تحقيق دقة بلغت %99.82، وضبط بنسبة %97.89، واستدعاء بنسبة %93.44، ومنطقة تحت المنحنى (AUC) بلغت 0.99%، مع قدرة قوية على التعميم وانخفاض في النتائج الإيجابية الخاطئة.
بالإضافة إلى ذلك، يُظهر تحليل القابلية للتفسير القائم على قيم (SHAP) أن التنبؤات التي حصل عليها DeepRansom تستند إلى مؤشرات سلوكية وهيكلية ملائمة؛ مما يدعم فكرة تنفيذه في ممارسات التحقيق الجنائي للشبكات ومهام استخبارات التهديدات.
الكلمات المفتاحية
علوم الأدلة الجنائية، الأمن السيبراني، التعلم العميق، FT-Transformer، التحقيق الجنائي للشبكات، برمجية الفدية «واناكراي
التنزيلات
المراجع
Karim N. Comprehensive Analysis of Ransomware Evolution and Countermeasures in the Era of Digital Transformation. Int J Adv Cybersecurity Syst Technol Appl. 2024;8(12):20-30.
Irwin AS, Dawson C. Following the cyber money trail: Global challenges when investigating ransomware attacks and how regulation can help. J Money Laund Control. 2019;22(1):110-131.
Lang M, Connolly L, Taylor P, Corner PJ. The evolving menace of ransomware: A comparative analysis of pre-pandemic and mid-pandemic attacks. Digit Threats Res Pract. 2023;4(4):1-22.
Akbanov M, Vassilakis VG, Logothetis MD. WannaCry ransomware: Analysis of infection, persistence, recovery prevention and propagation mechanisms. J Telecommun Inf Technol. 2019;(1):113-124.
Mohurle S, Patil M. A brief study of WannaCry threat: Ransomware attack 2017. Int J Adv Res Comput Sci. 2017;8(5):1938-1940.
Kalinaki K. Ransomware Threat Mitigation Strategies for Protecting Critical Infrastructure Assets. In: Ransomware Evolution. CRC Press; 2025. p.120-143.
Gómez Hernández JA, García Teodoro P, Magán Carrión R, Rodríguez Gómez R. Crypto-ransomware: A revision of the state of the art, advances and challenges. Electronics. 2023;12(21):4494.
Mazhar L, Rohatgi S. Malware Analysis and Detection: New Approaches and Techniques. In: Emerging Threats and Countermeasures in Cybersecurity. 2025. p.83-109.
Kang Q, Gu Y. A survey on ransomware threats: Contrasting static and dynamic analysis methods. 2023.
Okafor MO. Deep learning in cybersecurity: Enhancing threat detection and response. 2024.
Lu G, Liu Y, Chen Y, Zhang C, Gao Y, Zhong G. A comprehensive detection approach of WannaCry: principles, rules and experiments. Proc IEEE CyberC. 2020:41-49.
Akbanov M, Vassilakis VG, Logothetis MD. Ransomware detection and mitigation using software-defined networking: The case of WannaCry. Comput Electr Eng. 2019;76:111-121.
Shaukat K, Luo S, Varadharajan V. A novel deep learning-based approach for malware detection. Eng Appl Artif Intell. 2023;122:106030.
Aboaoja FA, Zainal A, Ghaleb FA, Al-Rimy BAS, Eisa TAE, Elnour AAH. Malware detection issues, challenges, and future directions: A survey. Appl Sci. 2022;12(17):8482.
Tayyab UEH, Khan FB, Durad MH, Khan A, Lee YS. A survey of the recent trends in deep learning based malware detection. J Cybersecurity Priv. 2022;2(4):800-829.
Rathore H, Agarwal S, Sahay SK, Sewak M. Malware detection using machine learning and deep learning. Int Conf Big Data Anal. 2018:402-411.
LaRocque A, Gross G, Lindholm F, Greco P, Dupont B, Kruger J. Effective ransomware detection using autonomous patternbased signature extraction. 2024.
Redhu A, Choudhary P, Srinivasan K, Das TK. Deep learning-powered malware detection in cyberspace: a contemporary review. Front Phys. 2024;12:1349463.
Stastne S, Johansson S, Laurent S, Kruger T, Fitzgerald G. Dynamic signal-based ransomware detection with temporal-pattern profiling technique. 2024.
Gyamfi NK, Goranin N, Ceponis D, Čenys HA. Automated system-level malware detection using machine learning: A comprehensive review. Appl Sci. 2023;13(21):11908.
Gorment NZ, Selamat A, Cheng LK, Krejcar O. Machine learning algorithm for malware detection: Taxonomy, current challenges, and future directions. IEEE Access. 2023;11:141045-141089.
Jeon S, Moon J. Malware-detection method with a convolutional recurrent neural network using opcode sequences. Inf Sci. 2020;535:1-15.
Halim MA, Abdullah A, Ariffin KAZ. Recurrent neural network for malware detection. Int J Adv Soft Compu Appl. 2019;11(1):43-63.
Khammas BM. Ransomware detection using random forest technique. ICT Express. 2020;6(4):325-331.
Gajdošík A, Kotuliak I. Machine Learning and Transformers for Malware Analysis: Overview. NTSP. 2024:1-7.
Seneviratne S, Shariffdeen R, Rasnayaka S, Kasthuriarachchi N. Self-supervised vision transformers for malware detection. IEEE Access. 2022;10:103121-103135.
Manthena H, Shajarian S, Kimmell J, Abdelsalam M, Khorsandroo S, Gupta M. Explainable Malware Analysis: Concepts, Approaches and Challenges. arXiv. 2024;arXiv:2409.13723.
Faridun R, Im EG. Enhancing Malware Detection with TabNetClassifier: A SMOTE-based Approach. KIPS Conf. 2024:294-297.
Praveen SP, Bikku T, Muthukumar P, Sandeep K, Sekhar JC, Pratap VK. Enhanced Intrusion Detection Using Stacked FT-Transformer Architecture. J Cybersecurity Inf Manag. 2024;13(2).
Somvanshi S, Das S, Javed SA, Antariksa G, Hossain A. A survey on deep tabular learning. arXiv. 2024;arXiv:2410.12034.
Huang X, Khetan A, Cvitkovic M, Karnin Z. TabTransformer: Tabular data modeling using contextual embeddings. arXiv. 2020;arXiv:2012.06678.
Ambekar NG, Devi NN, Thokchom S, Yogita. TabLSTMNet: enhancing android malware classification through integrated attention and explainable AI. Microsyst Technol. 2025;31(3):695-713.
تفاصيل المقال
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial 4.0 International License.