Использование системного анализа при проектировании интеллектуальных систем защиты от вредоносных программ

В работе рассматривается задача проектирования интеллектуальной системы защиты от вредоносных программ с учетом изменчивости входного потока, ограничений по вычислительным ресурсам и необходимости устойчивой работы на новых данных. Цель исследования состояла в том, чтобы показать, как методы системного анализа позволяют перейти от обычного сравнения моделей к обоснованному выбору архитектуры, схемы проверки и сценария обновления системы. Экспериментальная база включала 134435 объектов, из которых 57293 относились к вредоносным, а после исключения записей без распознанной даты и раннего архивного фрагмента было сформировано экспериментальное подмножество из 123704 объектов за период с августа 2019 года по сентябрь 2020 года. В исследовании сопоставлены перемешанная и хронологическая схемы проверки, базовые модели классификации, варианты сокращения признакового пространства, а также одноконтурная и двухконтурная архитектуры защиты. Показано, что использование 256 признаков в первом контуре обеспечивает почти то же качество, что и полное описание из 2381 признака, при заметно меньших вычислительных затратах. Установлено, что двухконтурная схема при передаче на второй контур 0,25 процента объектов сохраняет качество полной модели и почти не увеличивает среднее время обработки одного объекта. Дополнительно показано, что обновление первого контура повышает устойчивость системы во времени и снижает риск деградации качества на новых месяцах наблюдения.

1. Guerra-Manzanares A. Machine Learning for Android Malware Detection: Mission Accomplished? A Comprehensive Review of Open Challenges and Future Perspectives. Computers & Security. 2024;138:103654. https://doi.org/10.1016/j.cose.2023.103654

2. Yang L., Ciptadi A., Laziuk I., et al. BODMAS: An Open Dataset for Learning based Temporal Analysis of PE Malware. In: 2021 IEEE Security and Privacy Workshops, 27 May 2021, San Francisco, CA, USA. IEEE; 2021. P. 78–84. https://doi.org/10.1109/SPW53761.2021.00020

3. Jiang Y., Li G., Li Sh., et al. BenchMFC: A benchmark dataset for trustworthy malware family classification under concept drift. Computers & Security. 2024;139:103706. https://doi.org/10.1016/j.cose.2024.103706

4. Fernando D.W., Komninos N. FeSAD ransomware detection framework with machine learning using adaption to concept drift. Computers & Security. 2024;137:103629. https://doi.org/10.1016/j.cose.2023.103629

5. Li A.Sh., Iyengar A., Kundu A., et al. Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples. In: 32nd Annual Network and Distributed System Security Symposium, 24–28 February 2025, San Diego, CA, USA. The Internet Society; 2025. https://doi.org/10.14722/ndss.2025.240830

6. Maniriho P., Mahmood A.N., Chowdhury M.J.M. MeMalDet: A memory analysis-based malware detection framework using deep autoencoders and stacked ensemble under temporal evaluations. Computers & Security. 2024;142:103864. https://doi.org/10.1016/j.cose.2024.103864

7. Augello A., De Paola A., Lo Re G. Hybrid multilevel detection of mobile devices malware under concept drift. Journal of Network and Systems Management. 2025;33(2):36. https://doi.org/10.1007/s10922-025-09906-3

8. Liu Zh., Wang R., Peng B., et al. LDCDroid: Learning data drift characteristics for handling the model aging problem in Android malware detection. Computers & Security. 2025;150:104294. https://doi.org/10.1016/j.cose.2024.104294

9. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees. Machine Learning. 2006;63(1):3–42. https://doi.org/10.1007/s10994-006-6226-1

10. Ke G., Meng Q., Finley Th., et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems, 04–09 December 2017, Long Beach, CA, USA. 2017. P. 3146–3154.

11. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems, 04–09 December 2017, Long Beach, CA, USA. 2017. P. 4765–4774.

12. Ceschin F., Botacin M., Gomes H.M., et al. Fast & Furious: On the modelling of malware detection as an evolving data stream. Expert Systems with Applications. 2023;212:118590. https://doi.org/10.1016/j.eswa.2022.118590

13. Botacin M., Gomes H. Towards more realistic evaluations: The impact of label delays in malware detection pipelines. Computers & Security. 2025;148:104122. https://doi.org/10.1016/j.cose.2024.104122

14. Augello A., De Paola A., Lo Re G. M2FD: Mobile malware federated detection under concept drift. Computers & Security. 2025;152:104361. https://doi.org/10.1016/j.cose.2025.104361