في عالم التكنولوجيا المتطور، يتطلب ظهور أنواع جديدة من البرمجيات الخبيثة أنظمة كشف قادرة على التأقلم مع التهديدات بلا توقف، دون الحاجة للرجوع إلى الصفر في كل مرة. ومع ذلك، تتسبب العملية المتكررة لتحديث النماذج مع البيانات الجديدة في مشكلة معروفة باسم "نسيان الكوارث"، حيث يتم ت overwrite المعرفة السابقة. على الرغم من أن التعلم المستمر قد بدأ يجذب الكثير من الاهتمام في مجال الكشف عن البرمجيات الخبيثة، إلا أن الإعداد المحدد المعروف باسم "التعلم القائم على قليل من اللقطات مع الإضافة التدريجية للفئات" (Few-Shot Class-Incremental Learning - FSCIL) لا يزال بحاجة إلى المزيد من الاستكشاف.

لذا، ابتكرت هذه الدراسة إطار عمل هجين يجمع بين التعلم الذاتي (Self-Supervised Learning - SSL) وتهيئة مسبقة خاصة بالنطاق على حزم البرمجيات الخبيثة. وهذا الإطار يسمح بتكييف النموذج بكفاءة خلال الجلسة الأساسية، مع الحفاظ على العمود الفقري للنموذج للحفاظ على التمثيلات التي تم تعلمها سابقاً. يعتمد النظام أيضًا على رأس تصنيف قائم على النماذج لتحديد حدود قرارات قوية من عينات محدودة، مما يعزز أداء الكشف بشكل ملحوظ.

تظهر التجارب الواسعة التي تمت عبر مجموعة من البيانات أن النهج المقترح يتفوق باستمرار على المعايير السابقة في مجال الكشف عن البرمجيات الخبيثة وفقًا لنموذج FSCIL، مما يسمح بتحقيق أداء رائد في هذا المجال. هل نحن أمام حقبة جديدة في أنظمة الأمان السيبراني؟

ما هو رأيكم في الطرق الجديدة للكشف عن البرمجيات الخبيثة؟ شاركونا في التعليقات!