إطار عمل للتحقيق الجنائي المدعوم بالذكاء الاصطناعي للكشف الموثوق عن برمجيات الفدية

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.