Методи машинного навчання для виявлення шкідливого програмного забезпечення

Abstract

Мета дипломної роботи полягає в дослідженні можливостей і технологій використання машинного навчання для виявлення шкідливих процесів, а також у створенні програмного забезпечення, яке забезпечує не лише моніторинг системних процесів, але й ідентифікацію потенційних загроз. Основна увага приділяється аналізу ключових характеристик процесів, таких як споживання системних ресурсів, активність у мережі, а також інші поведінкові ознаки. Для цього використовується комбінація статичних і динамічних методів аналізу та алгоритмів машинного навчання, зокрема напівконтрольованого підходу для виявлення аномалій. У рамках роботи досліджуються переваги та обмеження сучасних технологій виявлення загроз із використанням Python та бібліотек машинного навчання. Розроблене програмне забезпечення поєднує функції моніторингу процесів із можливістю завершення, фільтрації, сортування та пошуку, а також інтеграцією автоматизованих моделей для аналізу поведінки та виявлення аномальної активності в реальному часі