AI-modell oppnår 98,53% nøyaktighet i deteksjon av løsepengevirus på smarte enheter

Forskere har utviklet en AI-modell som oppdager løsepengevare i IoT-enheter med høy nøyaktighet, ved å bruke dyp læring og optimaliseringsteknikker for nettsikkerhet.

Et team av forskere har i dag detaljert sine funn i en vitenskapelig rapport publisert av Nature, hvor de introduserer en avansert AI-drevet modell designet for å oppdage og forhindre løsepengevirusangrep på smarte enheter.

Med den raske utvidelsen av Internett of Things (IoT) teknologi i hjem, helsevesen og industri, har trusler om nettsikkerhet blitt en økende bekymring.

Ransomware, en av de mest farlige cyber truslene, låser brukere ute fra systemene deres til de betaler løsepenger. Forskerne forklarte hvordan tradisjonelle sikkerhetstiltak ofte ikke klarer å oppdage og forhindre disse utviklende angrepene, noe som driver forskere til å utforske AI-løsninger.

Den nylig utviklede modellen deres, kalt Multi-head Attention-Based Recurrent Neural Network with Enhanced Gorilla Troops Optimization (MHARNN-EGTOCRD), forbedrer betydelig nøyaktigheten i deteksjonen av løsepengevirus ved hjelp av maskinlæringsteknikker.

Modellen normaliserer først innkommende data ved hjelp av min-max normalisering, noe som sikrer effektiv behandling. Deretter benytter den seg av Dung Beetle Optimization (DBO) – inspirert av hvordan billelarver finner mat – for å filtrere ut unødvendig informasjon, og fokuserer kun på de mest relevante truslene innenfor cybersikkerhet.

I kjernen bruker systemet et Multi-head Attention og Long Short-Term Memory (MHA-LSTM) nettverk, en avansert dyp-læringsmetode som hjelper til med å oppdage komplekse angrepsmønstre.

Ved å analysere tidligere ransomware-atferd, kan AI forutsi og flagge potensielle angrep før de blir fullt ut utført. I tillegg er systemet fininnstilt ved bruk av Enhanced Gorilla Troops Optimization (EGTO), som optimaliserer AI-innstillingene for maksimal effektivitet.

Under testing oppnådde modellen en imponerende nøyaktighet på 98,53% i deteksjon av løsepengevare, og den utførte bedre enn tradisjonelle metoder innenfor cybersikkerhet. Denne høye presisjonen antyder at AI kan bli et kraftig verktøy i kampen mot nettkriminalitet, spesielt når det gjelder å beskytte smarte enheter mot sofistikerte angrep.

Forskerne tror at deres modell kan integreres i eksisterende cybersikkerhetssystemer, og tilby et tidlig varslingssystem for løsepengevareangrep.

Ettersom IoT-enheter fortsetter å ekspandere i hverdagslivet, er det avgjørende å styrke sikkerheten deres for å forhindre økonomiske og data tap. Ved å kombinere natur-inspirerte optimaliseringsteknikker med dyp læring, representerer denne AI-modellen et betydelig skritt fremover innen cybersikkerhet.