Το Μοντέλο Τεχνητής Νοημοσύνης Επιτυγχάνει Ακρίβεια 98,53% στον Εντοπισμό του Ransomware σε Έξυπνες Συσκευές

Οι επιστήμονες ανέπτυξαν ένα μοντέλο AI που εντοπίζει τα ransomware στις συσκευές IoT με υψηλή ακρίβεια, χρησιμοποιώντας τεχνικές βαθιάς μάθησης και βελτιστοποίησης για την κυβερνοασφάλεια.

Μια ομάδα ερευνητών παρουσίασε σήμερα τα ευρήματά της σε μια επιστημονική εργασία που δημοσιεύθηκε από το Nature, παρουσιάζοντας ένα προηγμένο μοντέλο που ενισχύεται από την τεχνητή νοημοσύνη και έχει σχεδιαστεί για την ανίχνευση και πρόληψη των επιθέσεων ransomware σε έξυπνες συσκευές.

Με την ταχεία επέκταση της τεχνολογίας του Διαδικτύου των Πραγμάτων (IoT) σε κατοικίες, τον τομέα της υγείας και τις βιομηχανίες, οι απειλές για την κυβερνοασφάλεια έχουν γίνει μια αυξανόμενη ανησυχία.

Το Ransomware, μία από τις πιο επικίνδυνες κυβερνοαπειλές, κλειδώνει τους χρήστες εκτός των συστημάτων τους μέχρι να πληρώσουν λύτρα. Οι ερευνητές εξήγησαν πως οι παραδοσιακές μέθοδοι ασφάλειας συχνά αποτυγχάνουν να εντοπίσουν και να αποτρέψουν αυτές τις εξελισσόμενες επιθέσεις, προτρέποντας τους ερευνητές να εξερευνήσουν λύσεις που βασίζονται στην Τεχνητή Νοημοσύνη (AI).

Το νεοαναπτυγμένο τους μοντέλο, που ονομάζεται Multi-head Attention-Based Recurrent Neural Network with Enhanced Gorilla Troops Optimization (MHARNN-EGTOCRD), βελτιώνει σημαντικά την ακρίβεια ανίχνευσης ransomware χρησιμοποιώντας τεχνικές μηχανικής μάθησης.

Το μοντέλο πρώτα νορμαλοποιεί τα εισερχόμενα δεδομένα χρησιμοποιώντας ελαχιστομέγιστη νορμαλοποίηση, εξασφαλίζοντας αποτελεσματική επεξεργασία. Στη συνέχεια χρησιμοποιεί την Βελτιστοποίηση Dung Beetle (DBO) – εμπνευσμένη από τον τρόπο με τον οποίο οι σκαραβαίοι βρίσκουν τροφή – για να φιλτράρει τις περιττές πληροφορίες, επικεντρώνοντας μόνο στις πιο σχετικές απειλές κυβερνοασφάλειας.

Στην ουσία του, το σύστημα χρησιμοποιεί ένα δίκτυο Multi-head Attention και Long Short-Term Memory (MHA-LSTM), μια προηγμένη προσέγγιση βαθιάς μάθησης που βοηθά στον εντοπισμό σύνθετων μοτίβων επιθέσεων.

Μέσω της ανάλυσης παλαιότερων συμπεριφορών ransomware, η τεχνητή νοημοσύνη μπορεί να προβλέπει και να σηματοδοτεί πιθανές επιθέσεις πριν αυτές εκτελεστούν πλήρως. Επιπλέον, το σύστημα είναι εξειδικευμένο με τη χρήση της βελτιστοποίησης Enhanced Gorilla Troops (EGTO), η οποία βελτιστοποιεί τις ρυθμίσεις της τεχνητής νοημοσύνης για μέγιστη απόδοση.

Κατά τη δοκιμή, το μοντέλο επιτύχθηκε εντυπωσιακή ακρίβεια 98,53% στην ανίχνευση του λογισμικού απαγωγής δεδομένων, επιδόσης που υπερέβη τις παραδοσιακές μεθόδους κυβερνοασφάλειας. Αυτή η υψηλή ακρίβεια υποδηλώνει ότι η τεχνητή νοημοσύνη θα μπορούσε να γίνει ένα ισχυρό εργαλείο στη μάχη κατά του κυβερνοεγκλήματος, ιδιαίτερα στην προστασία των έξυπνων συσκευών από πολύπλοκες επιθέσεις.

Οι ερευνητές πιστεύουν ότι το μοντέλο τους θα μπορούσε να ενσωματωθεί στα υπάρχοντα συστήματα κυβερνοασφάλειας, παρέχοντας έναν μηχανισμό πρώιμης προειδοποίησης για επιθέσεις λογισμικού απαγωγής δεδομένων.

Καθώς οι συσκευές IoT συνεχίζουν να επεκτείνονται στην καθημερινή ζωή, η ενίσχυση της ασφάλειάς τους είναι κρίσιμη για την πρόληψη οικονομικών και δεδομένων απωλειών. Συνδυάζοντας τεχνικές βελτιστοποίησης εμπνευσμένες από τη φύση με τη βαθιά μάθηση, αυτό το μοντέλο AI αποτελεί ένα σημαντικό βήμα προς τα εμπρός στην κυβερνοασφάλεια.