AI-modell Uppnår 98,53% Noggrannhet vid Identifiering av Ransomware på Smarta Enheter

Forskare har utvecklat en AI-modell som med hög precision upptäcker ransomware i IoT-enheter, genom att använda djupinlärning och optimeringstekniker för cybersäkerhet.

Ett team av forskare har idag detaljerat sina fynd i en vetenskaplig rapport publicerad av Nature, där de introducerar en avancerad AI-driven modell designad för att upptäcka och förhindra ransomware-attacker på smarta enheter.

Med den snabba expansionen av Internet of Things (IoT) teknologi i hem, hälsovård och industrier, har hot om IT-säkerhet blivit en växande oro.

Gisslanprogram, ett av de farligaste cyberhoten, låser användare ute från deras system tills de betalar en lösensumma. Forskarna förklarade hur traditionella säkerhetsåtgärder ofta misslyckas med att upptäcka och förhindra dessa utvecklande attacker, vilket får forskare att utforska AI-lösningar.

Deras nyligen utvecklade modell, kallad Multi-head Attention-Based Recurrent Neural Network with Enhanced Gorilla Troops Optimization (MHARNN-EGTOCRD), förbättrar avsevärt noggrannheten i att upptäcka ransomware med hjälp av maskininlärningstekniker.

Modellen normaliserar först inkommande data med min-max-normalisering, vilket säkerställer effektiv bearbetning. Sedan använder den Dung Beetle Optimization (DBO) – inspirerad av hur bollrullare lokaliserar mat – för att filtrera bort onödig information och fokuserar endast på de mest relevanta hoten inom cybersäkerhet.

I grund och botten utnyttjar systemet ett Multi-head Attention och Long Short-Term Memory (MHA-LSTM) nätverk, en avancerad deep learning-metod som hjälper till att upptäcka komplexa attackmönster.

Genom att analysera tidigare ransomware-beteenden kan AI förutse och flagga potentiella attacker innan de helt och hållet genomförs. Dessutom är systemet fint inställt med hjälp av Enhanced Gorilla Troops Optimization (EGTO), vilket optimerar AI:ns inställningar för maximal effektivitet.

Vid testning uppnådde modellen en imponerande noggrannhet på 98,53% i att detektera gisslanprogram, vilket överträffade traditionella metoder inom cybersäkerhet. Denna höga precision tyder på att AI kan bli ett kraftfullt verktyg i kampen mot cyberbrott, särskilt för att skydda smarta enheter mot sofistikerade attacker.

Forskarna tror att deras modell kan integreras i befintliga cybersäkerhetssystem, och därigenom erbjuda en tidig varningsmekanism för attacker med gisslanprogram.

I takt med att IoT-enheter fortsätter att expandera i vardagslivet, är det avgörande att stärka deras säkerhet för att förhindra ekonomiska och dataförluster. Genom att kombinera naturinspirerade optimeringstekniker med djupinlärning, representerar denna AI-modell ett betydande steg framåt inom cybersäkerhet.