О ПОДХОДЕ К АНАЛИЗУ ВРЕДОНОСНОГО КОДА С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Опубликовано в ВЕСТНИК ТЕХНОЛОГИЧЕСКОГО УНИВЕРСИТЕТА · Том 29, Номер 10, 2026 · Страницы 103–108 · Рубрика: 3. Информатика, вычислительная техника и управление
DOI: https://doi.org/10.55421/3034-4689_2026_29_10_103 · EDN: BMCKBJ
Получено: 20.09.2026 Одобрено: 10.10.2026 Опубликовано: 30.10.2026
В статье представлен подход к разработке гибридной системы интеллектуальной поддержки принятия решений для анализа вредоносного программного обеспечения (ВПО). Актуальность исследования обусловлена ростом количества и сложности вредоносных программ, а также неэффективностью традиционных сигнатурных методов в условиях полиморфизма и обфускации кода. Кроме того, современные методы машинного обучения, несмотря на высокую заявляемую точность на сбалансированных выборках, критически теряют качество классификации при оценке новых модификаций ВПО. В работе предложен гибридный подход, основанный на совместном использовании табличных признаков, трансформерных моделей для последовательностей опкодов и графовых нейронных сетей для обнаружения графов вызовов функций. Для оценки устойчивости моделей сформирован датасет из 18 704 PE-файлов с строгой временной разметкой. Проведены эксперименты с временным разделением выборки. Экспериментально подтвержден эффект структурной деградации графов при временном дрейфе данных и показано, что топология графов вызовов в обфусцированных образцах теряет прогностическую силу, что нивелирует преимущество графовых нейронных сетей перед моделями, не учитывающими структуру связей. Разработан синтетический бенчмарк для верификации механизмов семантического поиска, включающий 1088 функций с пятью уровнями обфускации. Для стабилизации качества применено ансамблирование и иерархическая классификация на уровне макротипов угроз, что позволило достичь значения взвешенной F1-меры 0,66. Показано, что кросс-модальная модель CLAP-ASM обеспечивает точность семантического поиска на уровне 70% при устойчивости к алгоритмическому запутыванию потока управления. Результаты работы имеют практическую значимость для создания автоматизированных систем первичной сортировки инцидентов в центрах мониторинга безопасности.
ВРЕДОНОСНЫЙ КОД, ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ, МАШИННОЕ ОБУЧЕНИЕ, ГРАФОВЫЕ НЕЙРОННЫЕ СЕТИ, ВРЕМЕННОЙ ДРЕЙФ, СЕМАНТИЧЕСКИЙ ПОИСК
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Актуальные киберугрозы для организаций в СНГ за H2 2024 – Q3 2025: сайт. – URL: https://ptsecurity.com/research/analytics/cis-cyberthreatlandscape-h2-2024-q3-2025/ (дата обращения: 27.04.2026). DOI: https://doi.org/10.1016/j.fopow.2024.12.007

2. L. Radvilavicius, L. Marozas, A. Cenys, Journal of Engineering Science and Technology Review, 5, 1, 63-71 (2012). DOI: https://doi.org/10.25103/jestr.051.12.

3. Н.О. Машошин, А.А. Кулешов, Научный вестник МГТУ ГА, 29, 3, 59-70, (2026). DOI: https://doi.org/10.26467/2079-0619-2026-29-3-59-70. EDN: https://elibrary.ru/QGNZDX

4. А.К. Назарян, И.Н. Карцан, Информатика. Экономика. Управление, 4, 1, 1001-1007 (2025). DOI: https://doi.org/10.47813/2782-5280-2025-4-1-1001-1007. EDN: https://elibrary.ru/DVSBRU

5. В.А. Частикова, Т.Т. Зангиев, Е.И. Ворошилова, К.В. Коротецкая, Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки, 1, 276, 67-74 (2021).

6. Д.В. Катасёва, Д.Д. Лосева, Вестник Технологического университета, 25, 1, 77-80 (2022). EDN: https://elibrary.ru/JREERL

7. И.В. Аникин, Я.М. Исяндавлетова, Инженерный вестник Дона, 4, 10, 238-251 (2023). EDN: https://elibrary.ru/DKOLGM

8. E. Raff, J. Barker, J. Sylvester, R. Brandon, B. Catanzaro, C. Nicholas, В сб. Proceedings of the Workshops of the ThirtySecond AAAI Conference on Artificial Intelligence, New Orlean, 2018, 268-276. DOI: https://doi.org/10.48550/arXiv.1710.09435.

9. F. Errica, M. Podda, D. Bacciu, A. Micheli, В сб. Proceedings of the 8th International Conference on Learning Representations (ICLR), Addis Ababa, 2020. DOI: https://doi.org/10.48550/arXiv.1912.09893.

10. J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, A. Bouchachia, ACM Computing Surveys, 46, 4, Article 44 (2014). DOI: https://doi.org/10.1145/2523813. EDN: https://elibrary.ru/SQETWF

11. Т.Р. Измайлов, Р.С. Зарипова, Современные наукоемкие технологии, 4, 66-75 (2026). DOI: https://doi.org/10.17513/snt.40730. EDN: https://elibrary.ru/OXEPNT

12. А.М. Ахметвалеев, А.С. Катасёв, М.А. Подольская, Прикаспийский журнал: управление и высокие технологии, 1, 41, 69-85 (2018). EDN: https://elibrary.ru/XWLKGT

13. А.С. Катасёв, С.В. Новикова, Д.В. Катасёва, М.В. Дагаева, Г.В. Кузенкова, Вестник Тверского государственного университета. Серия: Прикладная математика, 2, 56-82 (2026).

14. F. Pendlebury, F. Pierazzi, R. Jordaney, J. Kinder, L. Cavallaro, В сб. Proceedings of the 28th USENIX Security Symposium, Santa Clara, 2019, 729-746. DOI:https://doi.org/10.48550/arXiv.1807.07838.

15. N.N. Tran, A. Said, W. Abbas, T. Derr, X.D. Koutsoukos, arXiv e-prints (2025). DOI: https://doi.org/10.48550/arXiv.2508.06734.

Войти или Создать
* Забыли пароль?