ترجمه فارسی مقاله تجزیه و تحلیل جامع از روش های انتخاب تله فایل مبتنی بر یادگیری ماشین برای تشخیص باج افزار رمزنگاری

چکیده

The use of multi-threading and file prioritization methods has accelerated the speed at which ransomware encrypts files. To minimize file loss during the ransomware attack, detecting file modifications at the earliest execution stage is considered very important. To achieve this, selecting files as traps and monitoring changes to them is a practical way to deal with modern ransomware variants. This approach minimizes overhead on the endpoint, facilitating early identification of ransomware. This paper evaluates various machine learning-based trap selection methods for reducing file loss, detection delay, and endpoint overhead. We specifically examine non-parametric clustering methods such as Affinity Propagation, Gaussian Mixture Models, Mean Shift, and Optics to assess their effectiveness in trap selection for ransomware detection. These methods select M files from a directory with N files (M

چکیده به فارسی (ترجمه ماشینی)

استفاده از روشهای اولویت بندی چند رشته ای و پرونده باعث تسریع در سرعت رمزگذاری باج افزار پرونده ها شده است.برای به حداقل رساندن از دست دادن پرونده در هنگام حمله باج افزار ، تشخیص تغییرات پرونده در اولین مرحله اجرای بسیار مهم است.برای دستیابی به این هدف ، انتخاب پرونده ها به عنوان تله و نظارت بر تغییر در آنها روشی عملی برای مقابله با انواع باج افزار مدرن است.این رویکرد سربار را در نقطه پایانی به حداقل می رساند و شناسایی اولیه باج افزار را تسهیل می کند.در این مقاله روشهای مختلف انتخاب تله مبتنی بر یادگیری ماشین برای کاهش از دست دادن فایل ، تأخیر در تشخیص و انتهای بالای سر.ما به طور خاص روشهای خوشه بندی غیر پارامتری مانند انتشار میل به میل ، مدل های مخلوط گاوسی ، میانگین تغییر و اپتیک را برای ارزیابی اثربخشی آنها در انتخاب تله برای تشخیص باج افزار بررسی می کنیم.این روشها پرونده های M را از یک دایرکتوری با N Files (M