Haittaohjelmien tunnistus koneoppimisen avulla
Koskinen, Jessica (2025-05-06)
Haittaohjelmien tunnistus koneoppimisen avulla
(06.05.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2025050839188
https://urn.fi/URN:NBN:fi-fe2025050839188
Tiivistelmä
Haittaohjelmien määrän räjähdysmäinen kasvu on yksi kyberturvallisuuden suurimmista haasteista nykypäivänä. Näiden ohjelmien torjuminen on tärkeää niiden aiheuttaessa vakavia tietoturvauhkia, taloudellisia menetyksiä ja järjestelmien toimimattomuutta. Perinteiset tunnistusmenetelmät eivät ole riittävän tehokkaita kehittyneiden haittaohjelmien tunnistuksessa, mikä on johtanut uusien menetelmien käyttöönottoon. Koneoppimismalleja on alettu hyödyntää yhä enemmän haittaohjelmien tunnistuksessa niiden mahdollistaessa tiedon analysoinnin ja poikkeavuuksien havaitsemisen tehokkaasti.
Tämä tutkielma on kirjallisuuskatsaus, jossa tutustutaan ohjattuun, ohjaamattomaan ja puoliohjattuun oppimiseen perustuvien koneoppimismenetelmien hyödyntämiseen haittaohjelmien tunnistuksessa. Tutkielmassa tarkastellaan koneoppimismallien kehitysprosessia ja toimintaperiaatteita. Kirjallisuuskatsauksen keskeisenä tavoitteena on selvittää, mitä etuja ja haasteita koneoppimisen hyödyntämisellä on. Lisäksi tutkielmassa tarkastellaan viimevuotisia tutkimuksia, jotka keskittyvät koneoppimismenetelmien suorituskyvyn arviointiin todellisissa tunnistustilanteissa ohjelmien piirteisiin ja toimintaan perustuen. Tuloksia arvioidaan hyödyntämällä neljää mittaria: täsmällisyyttä, tarkkuutta, herkkyyttä ja F1-arvoa.
Tulosten perusteella havaitaan, että koneoppimismenetelmät tuottavat hyvin tarkkoja tuloksia haitallisten ohjelmien tunnistuksen tehostamiseksi ja automatisoimiseksi. Menetelmät vaativat suuren määrän laadukasta dataa ja kouluttamista, jotta ne suoriutuvat tehokkaasti ja tarkasti ohjelmien kehittyessä jatkuvasti. Tarkasteltujen tutkimusten perusteella suorituskyvyltään tarkimmiksi koneoppimismenetelmiksi osoittautuivat puupohjaiset mallit, erityisesti satunnaismetsäalgoritmi. Koneoppimisen soveltamista reaaliaikaisessa tunnistuksessa ja mallien kykyä reagoida tuntemattomiin haittaohjelmiin tulee tutkia lisää, jotta on mahdollista kehittää entistä tehokkaampia menetelmiä uhkien tunnistukseen.
Tämä tutkielma on kirjallisuuskatsaus, jossa tutustutaan ohjattuun, ohjaamattomaan ja puoliohjattuun oppimiseen perustuvien koneoppimismenetelmien hyödyntämiseen haittaohjelmien tunnistuksessa. Tutkielmassa tarkastellaan koneoppimismallien kehitysprosessia ja toimintaperiaatteita. Kirjallisuuskatsauksen keskeisenä tavoitteena on selvittää, mitä etuja ja haasteita koneoppimisen hyödyntämisellä on. Lisäksi tutkielmassa tarkastellaan viimevuotisia tutkimuksia, jotka keskittyvät koneoppimismenetelmien suorituskyvyn arviointiin todellisissa tunnistustilanteissa ohjelmien piirteisiin ja toimintaan perustuen. Tuloksia arvioidaan hyödyntämällä neljää mittaria: täsmällisyyttä, tarkkuutta, herkkyyttä ja F1-arvoa.
Tulosten perusteella havaitaan, että koneoppimismenetelmät tuottavat hyvin tarkkoja tuloksia haitallisten ohjelmien tunnistuksen tehostamiseksi ja automatisoimiseksi. Menetelmät vaativat suuren määrän laadukasta dataa ja kouluttamista, jotta ne suoriutuvat tehokkaasti ja tarkasti ohjelmien kehittyessä jatkuvasti. Tarkasteltujen tutkimusten perusteella suorituskyvyltään tarkimmiksi koneoppimismenetelmiksi osoittautuivat puupohjaiset mallit, erityisesti satunnaismetsäalgoritmi. Koneoppimisen soveltamista reaaliaikaisessa tunnistuksessa ja mallien kykyä reagoida tuntemattomiin haittaohjelmiin tulee tutkia lisää, jotta on mahdollista kehittää entistä tehokkaampia menetelmiä uhkien tunnistukseen.