تعد البرمجيات الخبيثة، وبخاصة برامج الفدية، من أكبر التحديات في مجال الأمن السيبراني، حيث تزداد وتيرتها وتأثيراتها على القطاعات الحيوية يومًا بعد يوم. غالبًا ما يتم إطلاق هذه الهجمات من خلال رسائل بريد إلكتروني احتيالية، أو تحميلات ضارة، أو استغلال ثغرات في البرمجيات بهدف الوصول إلى الأنظمة. وعند تنفيذ الهجوم، تقوم البرمجيات الخبيثة بتشفير الملفات وتطلب فدية، غالبًا ما تكون في العملات المشفرة، لإعطاء مفتاح فك التشفير.

تواجه الطرق التقليدية لاكتشاف البرمجيات الخبيثة صعوبة في التعرف على العينات الجديدة أو النادرة، مما يترك الأنظمة عرضة للخطر. لكن دراسة جديدة قدمت إطار عمل هجين يعتمد على التعلم العميق، يجمع بين مُستخرج الميزات باستخدام Autoencoder (AFE) ومصنف التعلم الذاتي النموذجي (MAML) لاكتشاف البرمجيات الخبيثة بعدد قليل من العينات. حيث يقوم AFE بإنشاء ميزات مكثفة تقلل من الضوضاء والأبعاد، بينما يعمل مصنف MAML على التكيف السريع مع التهديدات الجديدة باستخدام بيانات معنونة محدودة.

أظهرت التجارب التي أجريت على مجموعة بيانات Ransomware لعام 2024 فعالية هذا الإطار في مهام التصنيف الثنائي. في إعدادات من عينة واحدة إلى خمسين عينة، حقق النموذج المقترح دقة مرتفعة، وقيم F1، ومعامل ارتباط ماثيو، مع الحفاظ على تصنيف موثوق حتى في الظروف الشديدة الندرة. هذه النتائج تسلط الضوء على متانة النموذج وفعاليته في التكيف مع سيناريوهات البيانات المحدودة، حيث تبرز قوة دمج استخراج الميزات مع التعلم الذاتي لتعزيز المرونة ضد البرمجيات الخبيثة، خاصة في القطاعات مثل الرعاية الصحية، والتصنيع، والبنية التحتية العامة، التي قد تتسبب فيها الهجمات السيبرانية باضطرابات تشغيلية ومالية كبيرة.