بكارگيري شبكه هاي عصبي مصنوعي در شناسايي ويروسهاي كامپيوتري

يك ويروس به عنوان برنامه اي تعبير مي شود كه با استفاده از كپي سازي، خود را انتشار داده و يا تكثير مي نمايد. سيستم هاي ضد ويروسي كه امروزه استفاده مي شوند، به طور عمده بد افزارهايي كه بر اساس الگوهاي ويروس شناخته شده را شناسايي مي كنند. با اين وجود كشف يك ويروس جديد كه الگويي از قبل ندارد همواره يكي از چالش هاي كشف ويروس هاي كامپيوتري بوده است. براي حل اين چالش مي توان با ايجاد يك شبكۀ عصبي ، با ورودي هايي از فايل هاي سرآيند غلبه نمود و با توجه به اينكه مي توان به وسيله شبكۀ عصبي داده ها را آموزش داد، آنها قادر خواهند بود كه الگوهاي يك ويروس ناشناخته را بر اساس يادگيري هاي قبلي شناسايي كنند. ساختار فايل سرآيند شامل مقادير مختلف است كه به واسطه آن مي توان فايل هاي اجرايي ويروسي را از فايل هاي معتبر و غير ويروسي شناسايي كرد. در اين مقاله ما بر اساس امتياز فيشر مرتبط ترين خصوصيات را براي سرعت بخشي تحليل و دقت در نتيجه گيري شناسايي، استفاده كرديم و با استفاده از مقايسه الگوريتم هاي شبكۀ عصبي ، بهترين نوع يادگيري اين سيستم را درمي يابيم.