Detectie van Ransomware Bereikt 99,96% Nauwkeurigheid Met Nieuw AI Model

Wetenschappers hebben een AI-systeem ontwikkeld dat ransomware detecteert met een nauwkeurigheid van 99,96%, door kwaadaardig gedrag om te zetten in afbeeldingen om de cybersecurity-verdediging te versterken.

Deze nieuwe AI-tool, gedetailleerd beschreven in Scientific Reports, maakt gebruik van een ‘gedrag-naar-beeld’ techniek die softwareacties omzet in beelden die de AI kan analyseren.

De onderzoekers leggen uit hoe ransomware-aanvallen steeds vaker voorkomen en kostbaarder worden, met een gemiddelde losgeldbetaling die de lucht in schiet naar 2,73 miljoen dollar.

Het nieuwe systeem werkt door eerst software te laten draaien in een geïsoleerde sandbox-omgeving, waardoor het veilig zijn gedrag kan monitoren. Het systeem detecteert het specifieke gedrag van bestandsversleuteling, wat een kenmerkende ransomware-operatie is. Deze gedragingen worden vervolgens omgezet in een tweedimensionaal grijsschaal- of kleurenbeeld.

Dit op afbeeldingen gebaseerde formaat stelt onderzoekers in staat om een techniek te gebruiken die bekend staat als ‘transfer learning’ met vooraf getrainde AI-modellen. De onderzoekers leggen uit dat deze stap cruciaal is omdat het de belangrijkste hindernis in cybersecurity overwint die verbonden is aan het gebrek aan grote, actuele datasets van ransomware-voorbeelden voor training.

“Beperkte data verhoogt het risico op overfitting, vermindert de identificatie van divers gedrag en ondermijnt de betrouwbaarheid bij het detecteren van nieuwe bedreigingen,” leggen de auteurs uit.

Transferleren stelt de AI in staat om kennis die is opgedaan door het analyseren van miljoenen algemene afbeeldingen toe te passen op de specifieke taak van het opsporen van ransomware, en dit alles zonder dat er een enorme dataset van malware monsters nodig is.

Het onderzoeksteam ontdekte dat een model genaamd ‘ResNet50’ uitzonderlijk goed was in het analyseren van deze gedragsafbeeldingen.

Opvallend is dat het model een nauwkeurigheid bereikte van 99,96%, waardoor het zeer effectief was in het detecteren van ransomware, ondanks dat het werkte met een kleine dataset.

Om te zorgen dat de beslissingen van de AI betrouwbaar waren en niet gebaseerd op willekeurige ruis, gebruikte het team geavanceerde visualisatietools. Ze genereerden saliency maps, die bevestigden dat “het model zich richt op gestructureerde gedragsgecodeerde gebieden en het klassenspecifieke patroonleren bevestigt.”

Deze combinatie van bijna perfecte nauwkeurigheid, het vermogen om met kleine datasets te werken en een transparant besluitvormingsproces benadrukt het potentieel van het model voor praktische implementatie.