RU2673708C1 - System and method of machine training model of detecting malicious files - Google Patents

System and method of machine training model of detecting malicious files Download PDF

Info

Publication number
RU2673708C1
RU2673708C1 RU2017125331A RU2017125331A RU2673708C1 RU 2673708 C1 RU2673708 C1 RU 2673708C1 RU 2017125331 A RU2017125331 A RU 2017125331A RU 2017125331 A RU2017125331 A RU 2017125331A RU 2673708 C1 RU2673708 C1 RU 2673708C1
Authority
RU
Russia
Prior art keywords
behavior
file
malicious
detection model
files
Prior art date
Application number
RU2017125331A
Other languages
Russian (ru)
Inventor
Александр Сергеевич Чистяков
Екатерина Максимовна Лобачева
Алексей Михайлович Романенко
Original Assignee
Акционерное общество "Лаборатория Касперского"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Акционерное общество "Лаборатория Касперского" filed Critical Акционерное общество "Лаборатория Касперского"
Priority to RU2017125331A priority Critical patent/RU2673708C1/en
Priority to US15/907,462 priority patent/US10795996B2/en
Priority to EP18162957.7A priority patent/EP3432186B1/en
Priority to CN201810732861.7A priority patent/CN109271780B/en
Priority to JP2018128786A priority patent/JP6636096B2/en
Application granted granted Critical
Publication of RU2673708C1 publication Critical patent/RU2673708C1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55Detecting local intrusion or implementing counter-measures
    • G06F21/56Computer malware detection or handling, e.g. anti-virus arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Virology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

FIELD: information technology.SUBSTANCE: invention relates to anti-virus technologies, namely the detection of malicious files. Method of machine learning the malware detection model by using the machine learning model to detect a malicious file method of learning a detection model that provides monotonous changes in the severity of the file depending on the change in the number of patterns of behavior of the malicious file generated based on the analysis of the behavior log.EFFECT: providing the teaching on the detection model for malicious files.10 cl, 5 dwg

Description

Область техникиTechnical field

Изобретение относится к антивирусным технологиям, а более конкретно к системам и способам обнаружения вредоносных файлов.The invention relates to antivirus technologies, and more particularly to systems and methods for detecting malicious files.

Уровень техникиState of the art

Бурное развитие компьютерных технологий в последнее десятилетие, а также широкое распространение разнообразных вычислительных устройств (персональных компьютеров, ноутбуков, планшетов, смартфонов и т.д.) стали мощным стимулом для использования упомянутых устройств в разнообразных сферах деятельности и для огромного количества задач (от интернет-серфинга до банковских переводов и ведения электронного документооборота). Параллельно с ростом количества вычислительных устройств и программного обеспечения, работающего на этих устройствах, быстрыми темпами росло и количество вредоносных программ.The rapid development of computer technology in the last decade, as well as the widespread dissemination of a variety of computing devices (personal computers, laptops, tablets, smartphones, etc.) have become a powerful incentive for using these devices in various fields of activity and for a huge number of tasks (from the Internet surfing to bank transfers and electronic document management). In parallel with the increase in the number of computing devices and software running on these devices, the number of malicious programs has grown rapidly.

В настоящий момент существует огромное количество разновидностей вредоносных программ. Одни крадут с устройств пользователей их персональные и конфиденциальные данные (например, логины и пароли, банковские реквизиты, электронные документы). Другие формируют из устройств пользователей так называемые бот-сети (англ. botnet) для таких атак, как отказ в обслуживании (англ. DDoS - Distributed Denial of Service) или для перебора паролей методом грубой силы (англ. bruteforce) на другие компьютеры или компьютерные сети. Третьи предлагают пользователям платный контент через навязчивую рекламу, платные подписки, отправку CMC на платные номера и т.д.Currently, there are a huge number of varieties of malware. Some of them steal personal and confidential data from users' devices (for example, logins and passwords, bank details, electronic documents). Others form so-called botnets from user devices for attacks such as denial of service (DDoS) or bruteforce bruteforce passwords to other computers or computer network. Still others offer paid content to users through intrusive ads, paid subscriptions, sending CMC to paid numbers, etc.

Для борьбы с вредоносными программами, включающей в себя обнаружение вредоносных программ, предотвращение заражения и восстановление работоспособности вычислительных устройств, зараженных вредоносными программами, применяются специализированные программы - антивирусы. Для обнаружения всего многообразия вредоносных программ антивирусные программы используют разнообразные технологии, такие как:To combat malware, which includes the detection of malware, the prevention of infection and the restoration of the performance of computing devices infected with malware, specialized programs are used - antiviruses. To detect the whole variety of malicious programs, anti-virus programs use a variety of technologies, such as:

Figure 00000001
статический анализ - анализ программ на вредоносность, исключающий запуск или эмуляцию работы анализируемых программ, на основании данных содержащихся в файлах, составляющих анализируемые программы, при этом при статистическом анализе могут использоваться:
Figure 00000001
static analysis - analysis of programs for malware, excluding the launch or emulation of the work of the analyzed programs, based on the data contained in the files that make up the analyzed programs, while statistical analysis can be used:

Figure 00000002
сигнатурный анализ - поиск соответствий какого-либо участка кода анализируемых программ известному коду (сигнатуре) из базы данных сигнатур вредоносных программ;
Figure 00000002
Signature analysis - search for correspondence of any part of the code of the analyzed programs to the known code (signature) from the malware signature database;

Figure 00000002
белые и черные списки - поиск вычисленных контрольных сумм от анализируемых программ (или их частей) в базе данных контрольных сумм вредоносных программ (черные списки) или базе данных контрольных сумм безопасных программ (белые списки);
Figure 00000002
white and black lists - search for calculated checksums from the analyzed programs (or their parts) in the malware checksum database (black lists) or the safe checksums database (white lists);

Figure 00000001
динамический анализ - анализ программ на вредоносность на основании данных, полученных в ходе исполнения или эмуляции работы анализируемых программ, при этом при динамическом анализе могут использоваться:
Figure 00000001
dynamic analysis - analysis of malware programs on the basis of data obtained during the execution or emulation of the work of the analyzed programs, while dynamic analysis can use:

Figure 00000002
эвристический анализ - эмуляция работы анализируемых программ, создание журналов эмуляции (содержащих данные по вызовам API-функций, переданным параметрам, участкам кода анализируемых программ и т.д.) и поиск соответствий данных из созданных журналов с данными из базы данных поведенческих сигнатур вредоносных программ;
Figure 00000002
heuristic analysis - emulation of the work of the analyzed programs, the creation of emulation logs (containing data on calls to API functions, passed parameters, code sections of the analyzed programs, etc.) and the search for data matches from the created logs with data from the database of malware malware signature;

Figure 00000002
проактивная защита - перехват вызовов API-функций запущенных анализируемых программ, создания журналов поведения анализируемых программ (содержащих данные по вызовам API-функций, переданным параметрам, участкам кода анализируемых программ и т.д.) и поиск соответствий данных из созданных журналов с данными из базы данных вызовов вредоносных программ.
Figure 00000002
proactive defense - interception of calls to API functions of running analyzed programs, creation of behavior logs of analyzed programs (containing data on calls to API functions, passed parameters, code sections of analyzed programs, etc.) and search for data matches from created logs with data from the database malware call data.

И статический, и динамический анализ обладают своими плюсами и минусами. Статический анализ менее требователен к ресурсам вычислительного устройства, на котором выполняется анализ, а поскольку он не требует исполнения или эмуляции анализируемой программы, статистический анализ более быстрый, но при этом менее эффективен, т.е. имеет более низкий процент обнаружения вредоносных программ и более высокий процент ложных срабатываний (т.е. вынесения решения о вредоносности файла, анализируемого средствами программы-антивируса, при том, что анализируемый файл является безопасным). Динамический анализ из-за того, что использует данные, получаемые при исполнении или эмуляции работы анализируемой программы, более медленный и предъявляет более высокие требования к ресурсам вычислительного устройства на котором выполняется анализ, но при этом и более эффективен. Современные антивирусные программы используют комплексный анализ, включающий в себя как элементы статического, так и динамического анализа.Both static and dynamic analysis have their pros and cons. Static analysis is less demanding on the resources of the computing device on which the analysis is performed, and since it does not require execution or emulation of the analyzed program, statistical analysis is faster, but less efficient, i.e. it has a lower percentage of malware detection and a higher percentage of false positives (i.e. deciding on the harmfulness of a file analyzed by the anti-virus program, even though the analyzed file is safe). Dynamic analysis due to the fact that it uses the data obtained during the execution or emulation of the work of the analyzed program, is slower and makes higher demands on the resources of the computing device on which the analysis is performed, but at the same time it is more efficient. Modern antivirus programs use complex analysis, which includes both elements of static and dynamic analysis.

Поскольку современные стандарты информационной безопасности требуют оперативного реагирования на вредоносные программы (в особенности на новые), на первый план выходят автоматические средства обнаружения вредоносных программ. Для эффективной работы упомянутых средств зачастую применяются элементы искусственного интеллекта и разнообразные методы машинного обучения моделей обнаружения вредоносных программ (т.е. совокупности правил принятия решения о вредоносности файла на основании некоторого набора входных данных, описывающих вредоносный файл), позволяющие эффективно обнаруживать не только хорошо известные вредоносные программы или вредоносные программы с хорошо известным вредоносным поведением, но и новые вредоносные программы, обладающие неизвестным или слабо исследованным вредоносным поведением, а также оперативно адоптироваться (обучаться) к обнаружению новых вредоносных программ.Since modern standards of information security require a rapid response to malicious programs (especially new ones), automatic malware detection tools come to the fore. For the effective operation of the mentioned tools, artificial intelligence elements and various methods of machine learning malware detection models are often used (i.e., a set of rules for deciding whether a file is harmful based on a certain set of input data describing a malicious file), which can effectively detect not only well-known malware or malware with well-known malicious behavior, but also new malware with unknown or poorly researched malware behavior, and quickly adapt (to learn) to detect new malware.

В патентной публикации US 9288220 B2 описана технология обнаружения вредоносного ПО в сетевом трафике. С этой целью из данных, выбранных из сетевого трафика, выделяют характерные признаки (признаки, характеризующие тип исполняемого файла, поведение исполняемого файла, тип передаваемых по компьютерной сети данных, например тип и размер передаваемых по компьютерной сети данных, команды, выполняемые при исполнении файла, наличие заранее заданных сигнатур в файле и т.д.), в качестве которых может выступать признаковое описание выбранных данных, т.е. вектор (англ. feature vector), составленный из значений, соответствующих некоторому набору признаков для объекта, содержащего выбранные данные. Применяя модели обнаружения безопасных файлов, обнаружения вредоносных файлов и определения типов вредоносных файлов, предварительно обученные с использованием методов машинного обучения на основании шаблонов, составленных из схожих с упомянутыми характерных признаков, определяют, с каким весом и к какому типу вредоносного ПО относятся выбранные данные, и выносят решение об обнаружении вредоносного ПО в сетевом трафике.US Pat. No. 9,282,220 B2 describes a technology for detecting malware in network traffic. For this purpose, characteristic features are selected from data selected from network traffic (features characterizing the type of the executable file, the behavior of the executable file, the type of data transmitted over the computer network, for example, the type and size of data transmitted over the computer network, commands executed during file execution, the presence of predefined signatures in the file, etc.), which can be a characteristic description of the selected data, i.e. vector (eng. feature vector), composed of values corresponding to a certain set of features for the object containing the selected data. Using the models for detecting safe files, detecting malicious files, and determining the types of malicious files that have been pre-trained using machine learning methods based on patterns made up of characteristics similar to those mentioned above, determine the weight and type of malware selected data belongs to, and make a decision to detect malware in network traffic.

Хотя описанная выше технология хорошо справляется с обнаружением вредоносных файлов, обладающих некоторыми характерными признаками (т.е. данными, описывающими некоторые особенности файлов из некоторой совокупности файлов, например, наличие графического интерфейса, шифрования данных, передачи данных по компьютерной сети и т.д.), схожими с характерными признаками уже известных вредоносных файлов, она не способна справиться с обнаружением вредоносных файлов, имеющих отличные характерные признаки (хотя и схожее поведение) от характерных признаков уже известных вредоносных файлов, кроме того, описанная выше технология не раскрывает такие аспекты машинного обучения моделей, как тестирование и переобучение моделей, а также формирование и переформирование (в зависимости от результатов упомянутого выше тестирования) характерных признаков.Although the technology described above copes well with the detection of malicious files that have some characteristic features (i.e., data describing some features of files from a certain set of files, for example, the presence of a graphical interface, data encryption, data transfer over a computer network, etc. ), similar to the characteristic features of already known malicious files, it is not able to cope with the detection of malicious files that have distinct characteristic features (albeit similar behavior) from the characteristic signs of already known malicious files, in addition, the technology described above does not disclose such aspects of machine learning models as testing and retraining models, as well as the formation and reformation (depending on the results of the above testing) of characteristic features.

Настоящее изобретение позволяет решать задачу машинного обучения модели обнаружения вредоносных файлов.The present invention allows to solve the problem of machine learning a model for detecting malicious files.

Раскрытие изобретенияDisclosure of invention

Изобретение предназначено для антивирусной проверки файлов.The invention is intended for antivirus scanning of files.

Технический результат настоящего изобретения заключается в обеспечении обучения модели обнаружения вредоносных файлов.The technical result of the present invention is to provide training model detection of malicious files.

Еще один технический результат настоящего изобретения заключается в уменьшении ошибок первого и второго рода при обнаружении вредоносных файлов с использованием обученной модели обнаружения вредоносных файлов за счет использования при машинном обучении модели обнаружения вредоносного файла метода обучения модели обнаружения обеспечивающего монотонность изменения степени вредоносности файла в зависимости от изменения количества шаблонов поведения, сформированных на основании анализа журнала поведения.Another technical result of the present invention is to reduce errors of the first and second kind when detecting malicious files using a trained model for detecting malicious files by using a machine learning model for detecting a malicious file, a method for teaching the detection model that provides a monotonic change in the degree of maliciousness of the file depending on the change in the number behavior patterns generated based on the analysis of the behavior log.

Данные результаты достигаются с помощью использования системы машинного обучения модели обнаружения вредоносных файлов, которая содержит средство формирования шаблонов поведения, предназначенное для: формирования по меньшей мере одного шаблона поведения на основании исполняемых команд и параметров, выбранных из журнала поведения, при этом журнал поведения представляет собой совокупность исполняемых команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один параметр, описывающий упомянутую команду (далее - параметр), шаблон поведения представляет собой набор из по меньшей мере одной команды и такого параметра, который описывает все команды из упомянутого набора; передачи сформированных шаблонов поведения средству формирования функций свертки; средство формирования функций свертки, предназначенное для: формирования такой функции свертки от шаблона поведения, что обратная функция свертки от результата такой функции свертки над полученным шаблоном поведения будет иметь степень схожести с полученным шаблоном поведения больше заданного значения; передачи сформированной функции свертки средству машинного обучения модели обнаружения; средство машинного обучения модели обнаружения, предназначенное для: обучения модели обнаружения, в которой параметры модели обнаружения вычисляются с использованием полученной функции свертки над полученными шаблонами поведения, где модель обнаружения представляет собой совокупность правил вычисления степени вредоносности файла на основании по меньшей мере одного шаблона поведения с использованием вычисленных параметров упомянутой модели обнаружения.These results are achieved using a machine learning system for detecting malicious files, which contains a tool for generating behavior patterns designed to: generate at least one behavior pattern based on executable commands and parameters selected from the behavior log, while the behavior log is a collection executable commands (hereinafter referred to as the command) from the file, where each command corresponds to at least one parameter describing the command (further - setting), the behavior pattern is a set of at least one command and such a parameter, which describes all the commands of said set; transmitting the generated patterns of behavior to the means of forming convolution functions; means for generating convolution functions, intended for: forming such a convolution function from a behavior pattern such that the inverse convolution function from the result of such a convolution function over the obtained behavior pattern will have a degree of similarity with the obtained behavior pattern greater than a given value; transmitting the generated convolution function to the machine learning detection model; detection model machine learning tool for: learning a detection model, in which the parameters of the detection model are calculated using the obtained convolution function over the obtained behavior patterns, where the detection model is a set of rules for calculating the degree of maliciousness of a file based on at least one behavior pattern using calculated parameters of said detection model.

В другом частном случае реализации системы журналы поведения заранее сформированы из по меньшей мере двух файлов, один из которых - безопасный файл, а другой - вредоносный файл.In another particular case of system implementation, behavior logs are pre-generated from at least two files, one of which is a safe file, and the other is a malicious file.

Еще в одном частном случае реализации системы выполняется машинное обучение заранее созданной необученной модели обнаружения.In another particular case of system implementation, machine learning of a previously created untrained detection model is performed.

В другом частном случае реализации системы в качестве метода машинного обучения модели обнаружения выступает по меньшей мере: градиентный бустинг на деревьях принятия решений; решающие деревья; метод ближайших соседей kNN; метод опорных векторов.In another particular case of implementing the system, at least: gradient boosting on decision trees serves as a method of machine learning for the detection model; decisive trees; nearest neighbors method kNN; support vector method.

Еще в одном частном случае реализации системы выбирается метод обучения модели обнаружения обеспечивающий монотонность изменения степени вредоносности файла в зависимости от изменения количества шаблонов поведения, сформированных на основании анализа журнала поведения.In another particular case of the system implementation, a method for training the detection model is selected that ensures the monotonicity of the change in the degree of harmfulness of the file depending on the change in the number of behavior patterns generated based on the analysis of the behavior log.

Данные результаты достигаются с помощью использования способа машинного обучения модели обнаружения вредоносных файлов, при этом способ содержит этапы, которые реализуются с помощью средств из системы машинного обучения модели обнаружения вредоносных файлов и на которых: формируют по меньшей мере один шаблон поведения на основании исполняемых команд и параметров, выбранных из журнала поведения, при этом журнал поведения представляет собой совокупность исполняемых команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один параметр, описывающий упомянутую команду (далее - параметр), шаблон поведения представляет собой набор из по меньшей мере одной команды и такого параметра, который описывает все команды из упомянутого набора; формируют такую функцию свертки от шаблона поведения, что обратная функция свертки от результата такой функции свертки над сформированным шаблоном поведения будет иметь степень схожести с формированным шаблоном поведения больше заданного значения; обучают модель обнаружения в которой параметры модели обнаружения вычисляются с использованием сформированной функции свертки над полученными шаблонами поведения, где модель обнаружения представляет собой совокупность правил вычисления степени вредоносности файла на основании по меньшей мере одного шаблона поведения с использованием вычисленных параметров упомянутой модели обнаружения.These results are achieved by using the machine learning method of the malware detection model, the method comprising the steps that are implemented using the machine learning system of the malware detection model and in which: at least one behavior pattern is generated based on the executable commands and parameters selected from the behavior log, while the behavior log is a set of executable commands (hereinafter - the command) from the file, where each command corresponds to enshey least one parameter describing said command (hereinafter - the parameter), the behavior pattern is a set of at least one command and such a parameter, which describes all the commands of said set; form such a convolution function from the behavior pattern that the inverse convolution function from the result of such a convolution function over the generated behavior pattern will have a degree of similarity with the generated behavior pattern greater than the specified value; teach a detection model in which the parameters of the detection model are calculated using the generated convolution function over the obtained behavior patterns, where the detection model is a set of rules for calculating the degree of maliciousness of a file based on at least one behavior pattern using the calculated parameters of the mentioned detection model.

В другом частном случае реализации способа журналы поведения заранее сформированы из по меньшей мере двух файлов, один из которых - безопасный файл, а другой - вредоносный файл.In another particular case of the method, the behavior logs are pre-generated from at least two files, one of which is a safe file, and the other is a malicious file.

Еще в одном частном случае реализации способа выполняется машинное обучение заранее созданной необученной модели обнаружения.In another particular case of the method, machine learning of a previously created untrained detection model is performed.

В другом частном случае реализации способа в качестве метода машинного обучения модели обнаружения выступает по меньшей мере: градиентный бустинг на деревьях принятия решений; решающие деревья; метод ближайших соседей kNN; метод опорных векторов.In another particular case of the implementation of the method, at least: gradient boosting on decision trees serves as a machine learning method for the detection model; decisive trees; nearest neighbors method kNN; support vector method.

Еще в одном частном случае реализации способа выбирается метод обучения модели обнаружения обеспечивающий монотонность изменения степени вредоносности файла в зависимости от изменения количества шаблонов поведения, сформированных на основании анализа журнала поведения.In another particular case of the method implementation, a method for training a detection model that monotonously changes the degree of harmfulness of a file depending on changes in the number of behavior patterns generated based on an analysis of the behavior log is selected.

Краткое описание чертежейBrief Description of the Drawings

Фиг. 1 представляет структурную схему системы машинного обучения модели обнаружения вредоносных файлов.FIG. 1 is a block diagram of a machine learning system for detecting malicious files.

Фиг. 2 представляет структурную схему способа машинного обучения модели обнаружения вредоносных файлов.FIG. 2 is a flow diagram of a machine learning method for detecting malicious files.

Фиг. 3 представляет примеры динамики изменения степени вредоносности от количества шаблонов поведения.FIG. 3 presents examples of dynamics of changes in the degree of harmfulness in relation to the number of patterns of behavior.

Фиг. 4 представляет пример схемы связей между элементами шаблонов поведения.FIG. 4 is an example of a relationship scheme between elements of behavior patterns.

Фиг. 5 представляет пример компьютерной системы общего назначения, персональный компьютер или сервер.FIG. 5 is an example of a general purpose computer system, personal computer, or server.

Хотя изобретение может иметь различные модификации и альтернативные формы, характерные признаки, показанные в качестве примера на чертежах, будут описаны подробно. Следует понимать, однако, что цель описания заключается не в ограничении изобретения конкретным его воплощением. Наоборот, целью описания является охват всех изменений, модификаций, входящих в рамки данного изобретения, как это определено приложенной формуле.Although the invention may have various modifications and alternative forms, the characteristic features shown by way of example in the drawings will be described in detail. It should be understood, however, that the purpose of the description is not to limit the invention to its specific embodiment. On the contrary, the purpose of the description is to cover all changes, modifications that are included in the scope of this invention, as defined by the attached formula.

Описание вариантов осуществления изобретенияDescription of Embodiments

Объекты и признаки настоящего изобретения, способы для достижения этих объектов и признаков станут очевидными посредством отсылки к примерным вариантам осуществления. Однако настоящее изобретение не ограничивается примерными вариантами осуществления, раскрытыми ниже, оно может воплощаться в различных видах. Сущность, приведенная в описании, является ничем иным, как конкретными деталями, необходимыми для помощи специалисту в области техники в исчерпывающем понимании изобретения, и настоящее изобретение определяется в объеме приложенной формулы.The objects and features of the present invention, methods for achieving these objects and features will become apparent by reference to exemplary embodiments. However, the present invention is not limited to the exemplary embodiments disclosed below, it can be embodied in various forms. The essence described in the description is nothing more than the specific details necessary to assist the specialist in the field of technology in a comprehensive understanding of the invention, and the present invention is defined in the scope of the attached claims.

Введем ряд определений и понятий, которые будут использоваться при описании вариантов осуществления изобретения.We introduce a number of definitions and concepts that will be used in the description of embodiments of the invention.

Вредоносный файл - файл, исполнение которого заведомо способно привести к несанкционированному уничтожению, блокированию, модификации, копирования компьютерной информации или нейтрализации средств защиты компьютерной информации.Malicious file - a file whose execution is obviously capable of leading to unauthorized destruction, blocking, modification, copying of computer information or the neutralization of computer information protection tools.

Вредоносное поведение исполняемого файла - совокупность действий, которые могут быть выполнены при исполнении упомянутого файла и которые заведомо способны привести к несанкционированному уничтожению, блокированию, модификации, копированию информации или нейтрализации средств защиты компьютерной информации.Malicious behavior of an executable file - a set of actions that may be performed during the execution of the mentioned file and which are obviously capable of leading to unauthorized destruction, blocking, modification, copying of information or neutralization of computer information protection tools.

Вредоносная активность исполняемого файла - совокупность действий, выполненных упомянутым файлом в соответствии с его вредоносным поведением.Malicious activity of an executable file - a set of actions performed by the said file in accordance with its malicious behavior.

Вычислительное устройство среднестатистического пользователя гипотетическое (теоретическое) вычислительное устройство, обладающее усредненными характеристиками вычислительных устройств заранее выбранной группы пользователей, на котором исполняются те же приложения, что и на вычислительных устройствах упомянутых пользователей.The computing device of the average user is a hypothetical (theoretical) computing device that has the average characteristics of computing devices of a pre-selected group of users on which the same applications are executed as on the computing devices of the mentioned users.

Команда, исполняемая вычислительным устройством - совокупность машинных инструкций или инструкций сценариев, исполняемых вычислительным устройством на основании параметров упомянутых инструкций, называемых параметрами команды или параметрами, описывающими упомянутую команду.A command executed by a computing device is a set of machine instructions or script instructions executed by a computing device based on parameters of said instructions, called command parameters or parameters describing said command.

Лексический анализ («токенизация», от англ. tokenizing) - процесс аналитического разбора входной последовательности символов на распознанные группы (далее - лексемы), с целью формирования на выходе идентификационных последовательностей (далее - токены).Lexical analysis ("tokenization", from the English tokenizing) is the process of analytic analysis of the input sequence of characters into recognized groups (hereinafter - tokens), with the aim of forming identification sequences (hereinafter - tokens) at the output.

Токен - идентификационная последовательность, формируемая из лексемы в процессе лексического анализа.A token is an identification sequence formed from a token in the process of lexical analysis.

Фиг. 1 представляет структурную схему системы машинного обучения модели обнаружения вредоносных файлов.FIG. 1 is a block diagram of a machine learning system for detecting malicious files.

Структурная схема системы машинного обучения состоит из средства подготовки обучающих выборок 111, средства формирования журналов поведения 112, средства формирования шаблонов поведения 121, средства формирования функций свертки 122, средства создания модели обнаружения 131, средства машинного обучения модели обнаружения 132, средства вычисления степени вредоносности 142, средства управления ресурсами 143.The structural diagram of a machine learning system consists of means for preparing training samples 111, means for generating behavior logs 112, means for generating behavior patterns 121, means for generating convolution functions 122, means for creating a detection model 131, tools for machine learning a detection model 132, means for calculating the severity 142, resource management tools 143.

В одном из вариантов реализации системы упомянутая система машинного обучения модели обнаружения представляет собой клиент - серверную архитектуру, в которой средство подготовки обучающих выборок 111, средство формирования журналов поведения 112, средство формирования шаблонов поведения 121, средство формирования функций свертки 122, средство создания модели обнаружения 131 и средство машинного обучения модели обнаружения 132 работают на стороне сервера, а средство формирования шаблонов поведения 121, средство вычисления степени вредоносности 142 и средство управления ресурсами 143 работают на стороне клиента.In one embodiment of the system, the said machine learning system for the detection model is a client-server architecture in which the training sample preparation tool 111, the behavior log generation tool 112, the behavior pattern generation tool 121, the convolution function generation tool 122, the detection model creation tool 131 and machine learning tool detection models 132 work on the server side, and a tool for generating behavior patterns 121, a means of calculating the degree of severity and 142 and resource management tool 143 are client side.

Например, в качестве клиента могут выступать вычислительные устройства пользователя такие, как персональный компьютер, ноутбук, смартфон и т.д., а в качестве сервера могут выступать вычислительные устройства антивирусной компании такие, как распределенные системы серверов, с помощью которых кроме всего прочего предварительно осуществляют сбор и антивирусный анализ файлов, создание антивирусных записей и т.д., при этом система машинного обучения модели обнаружения вредоносных файлов будет использована для обнаружения вредоносных файлов на клиенте, тем самым повышая эффективность антивирусной защиты упомянутого клиента.For example, a client can be a user's computing devices such as a personal computer, laptop, smartphone, etc., and a server can be an anti-virus company’s computing devices, such as distributed server systems, which, among other things, are preliminarily performed collection and antivirus analysis of files, creation of antivirus entries, etc., while the machine learning system for detecting malicious files will be used to detect malicious files in the client, thereby increasing the effectiveness of anti-virus protection of said client.

Еще в одном примере в качестве как клиента, так и сервера могут выступать вычислительные устройства только антивирусной компании, при этом система машинного обучения модели обнаружения вредоносных файлов будет использована для автоматизированного антивирусного анализа файлов и создания антивирусных записей, тем самым повышая эффективность работы антивирусной компании.In another example, only the antivirus company can act as a client or server, while the machine learning system for the malware detection model will be used for automated antivirus analysis of files and creation of antivirus entries, thereby increasing the efficiency of the antivirus company.

Средство подготовки обучающих выборок 111 предназначено для:The training sample preparation tool 111 is intended for:

Figure 00000003
выборки по меньшей мере одного файла из базы файлов согласно заранее заданным правилам формирования обучающей выборки файлов, впоследствии на основании анализа выбранных файлов средство машинного обучения модели обнаружения 132 будет выполнять обучение модели обнаружения;
Figure 00000003
fetching at least one file from the file database according to predefined rules for generating a training sample of files; subsequently, based on the analysis of the selected files, the machine tool for detecting model 132 will train the detection model;

Figure 00000003
передачи выбранных файлов средству формирования журналов поведения 112.
Figure 00000003
transferring the selected files to the behavior logger 112.

В одном из вариантов реализации системы в базе файлов хранится по меньшей мере один безопасный файл и один вредоносный файл.In one embodiment of the system, at least one secure file and one malicious file are stored in the file database.

Например, в базе файлов в качестве безопасных файлов могут храниться файлы операционной системы «Windows», а в качестве вредоносных - файлы бэкдоров (англ. backdoor), приложений, осуществляющих несанкционированный доступ к данным и удаленному управлению операционной системой и компьютером в целом. При этом обученная на упомянутых файлах с помощью методов машинного обучения модель обнаружения вредоносных файлов будет способна с высокой точностью (точность тем выше, чем больше файлов было использовано для обучения упомянутой модели обнаружения) обнаруживать вредоносные файлы, обладающие функционалом, схожим с функционалом упомянутых выше бэкдоров.For example, files of the Windows operating system can be stored in the file database as safe files, and backdoor files, applications that provide unauthorized access to data and remote control of the operating system and the computer as a whole, can be stored as malicious files. At the same time, the malware detection model trained on the mentioned files using machine learning methods will be able to detect malware with the same functionality as the above mentioned backdoors with high accuracy (the higher the more files used to train the said detection model).

Еще в одном из вариантов реализации системы дополнительно в базе файлов хранятся по меньшей мере:In another embodiment of the system, at least:

Figure 00000003
подозрительные файлы (англ. riskware) - файлы, не являющиеся вредоносными, но способные выполнять вредоносные действия;
Figure 00000003
suspicious files (eng. riskware) - files that are not malicious, but capable of performing malicious actions;

Figure 00000003
неизвестные файлы - файлы, вредоносность которых не была определена и остается неизвестной (т.е. файлы, не являющиеся безопасными, вредоносными, подозрительными и т.д.).
Figure 00000003
unknown files - files whose maliciousness has not been determined and remains unknown (i.e. files that are not safe, malicious, suspicious, etc.).

Например, в базе файлов в качестве подозрительных файлов могут выступать файлы приложений удаленного администрирования (к примеру, RAdmin), архивации или шифрования данных (к примеру, WinZip) и т.д.For example, files of remote administration applications (for example, RAdmin), archiving or encryption of data (for example, WinZip), etc. can act as suspicious files in the file database.

Еще в одном из вариантов реализации системы в базе файлов хранятся файлы по меньшей мере:In yet another embodiment of the system, at least files are stored in the file database:

Figure 00000003
собранные антивирусными поисковыми роботами (англ. web crawler);
Figure 00000003
collected by antivirus search robots (eng. web crawler);

Figure 00000003
переданные пользователями.
Figure 00000003
submitted by users.

При этом упомянутые файлы анализируются антивирусными экспертами, в том числе с помощью автоматических средств анализа файлов, для последующего вынесения решение о вредоносности упомянутых файлов.Moreover, the mentioned files are analyzed by anti-virus experts, including using automatic file analysis tools, for the subsequent decision on the harmfulness of the mentioned files.

Например, в базе файлов могут храниться файлы, переданные пользователями со своих вычислительных устройств антивирусным компаниям для проверки на вредоносность, при этом переданные файлы могут быть как безопасными, так и вредоносными, при этом распределение между количеством упомянутых безопасных и вредоносных файлов близко к распределению между количеством всех безопасных и вредоносных файлов, расположенных на вычислительных устройствах упомянутых пользователей (т.е. отношение количества упомянутых безопасных к количеству упомянутых вредоносных файлов отличается от отношения количества всех безопасных к количеству всех вредоносных файлов, расположенных на вычислительных устройствах упомянутых пользователей на величину меньше заданного порогового значенияFor example, a file database can store files transferred by users from their computing devices to anti-virus companies to check for malware, while the transferred files can be both safe and malicious, while the distribution between the number of safe and malicious files mentioned is close to the distribution between the number of all safe and malicious files located on the computing devices of the mentioned users (i.e. the ratio of the number of said safe to the number of mentioned These malicious files differ from the ratio of the number of all safe to the number of all malicious files located on the computing devices of the mentioned users by an amount less than the specified threshold

Figure 00000004
).
Figure 00000004
)

В отличии от файлов, переданных пользователями (т.е. файлов, субъективно подозрительных), файлы, собранные антивирусными поисковыми роботами, созданными для поиска подозрительных и вредоносных файлов, чаще оказываются вредоносными. Unlike files transferred by users (i.e., files subjectively suspicious), files collected by anti-virus search robots designed to search for suspicious and malicious files are more often malicious.

Еще в одном из вариантов реализации системы в качестве критериев, согласно которым выбираются файлы из базы файлов, выступает по меньшей мере одно из условий:In another embodiment of the system’s implementation, at least one of the following conditions acts as criteria according to which files are selected from the file database:

Figure 00000003
распределение между безопасными и вредоносными файлами, выбранными из базы файлов, соответствует распределению между безопасными и вредоносными файлами, расположенными на вычислительном устройстве среднестатистического пользователя;
Figure 00000003
the distribution between safe and malicious files selected from the file database corresponds to the distribution between safe and malicious files located on the computing device of the average user;

Figure 00000003
распределение между безопасными и вредоносными файлами, выбранными из базы файлов, соответствует распределению между безопасными и вредоносными файлами, собранными с помощью антивирусных поисковых роботов;
Figure 00000003
the distribution between safe and malicious files selected from the file database corresponds to the distribution between safe and malicious files collected using anti-virus search robots;

Figure 00000003
параметры файлов, выбранных из базы файлов, соответствуют параметрам файлов, расположенных на вычислительном устройстве среднестатистического пользователя;
Figure 00000003
parameters of files selected from the database of files correspond to parameters of files located on the computing device of the average user;

Figure 00000003
количество выбранных файлов соответствует заранее заданному значению, а сами файлы выбраны случайным образом.
Figure 00000003
the number of selected files corresponds to a predetermined value, and the files themselves are selected randomly.

Например, база файлов содержит 100000 файлов, среди которых 40% безопасных файлов и 60% вредоносных файлов. Из базы файлов выбирают 15000 файлов (15% от общего количества файлов, хранящихся в базе файлов) таким образом, чтобы распределение между выбранными безопасными и вредоносными файлами соответствовало распределению между безопасными и вредоносными файлами, расположенными на вычислительном устройстве среднестатистического пользователя и составляло 95 к 5. С этой целью из базы файлов случайным образом выбирают 14250 безопасных файлов (35,63% от общего числа безопасных файлов) и 750 вредоносных файлов (1,25% от общего числа вредоносных файлов).For example, the file database contains 100,000 files, including 40% safe files and 60% malicious files. 15,000 files are selected from the file database (15% of the total number of files stored in the file database) so that the distribution between the selected safe and malicious files corresponds to the distribution between the safe and malicious files located on the average user's computing device and is 95 to 5. For this purpose, 14250 safe files (35.63% of the total number of safe files) and 750 malicious files (1.25% of the total number of malicious files) are randomly selected from the file database.

Еще в одном примере база файлов содержит 1250000 файлов, среди которых 95% безопасных файлов и 5% вредоносных файлов, т.е. распределение между безопасными и вредоносными файлами, хранящимися в базе файлов, соответствует распределению между безопасными и вредоносными файлами, расположенными на вычислительном устройстве среднестатистического пользователя. Среди упомянутых файлов случайным образом выбирают 5000 файлов, среди которых с большой вероятностью окажется ~4750 безопасных файлов и ~250 вредоносных файлов.In another example, the file database contains 1250,000 files, including 95% safe files and 5% malicious files, i.e. the distribution between safe and malicious files stored in the file database corresponds to the distribution between safe and malicious files located on the computing device of the average user. Among the mentioned files, 5,000 files are randomly selected, among which with a high probability there will be ~ 4750 safe files and ~ 250 malicious files.

Еще в одном из вариантов реализации системы в качестве параметров файла выступает по меньшей мере:In another embodiment of the system, at least:

Figure 00000003
вредоносность файла, характеризующая, является ли файл безопасным, вредоносным, потенциально опасным или поведение вычислительной системы при исполнении файла не определено и т.д.;
Figure 00000003
file harmfulness, characterizing whether the file is safe, malicious, potentially dangerous, or the behavior of the computing system during file execution is not defined, etc .;

Figure 00000003
количество команд, выполненных вычислительным устройством во время исполнения файла;
Figure 00000003
the number of instructions executed by the computing device during file execution;

Figure 00000003
размер файла;
Figure 00000003
file size;

Figure 00000003
приложения, использующие файл.
Figure 00000003
applications using the file.

Например, из базы файлов выбирают вредоносные файлы, представляющие собой сценарии на языке «ActionScript», выполняемые приложением «Adobe Flash», и не превышающие размер в 5КБ.For example, malicious files are selected from the file database, which are scripts in the ActionScript language executed by the Adobe Flash application and do not exceed 5KB.

Еще в одном из вариантов реализации системы дополнительно средство подготовки обучающих выборок 111 предназначено для:In another embodiment of the system, an additional means for preparing training samples 111 is intended for:

Figure 00000003
выборки по меньшей мере еще одного файла из базы файлов согласно заранее заданным правилам формирования тестовой выборки файлов, при этом впоследствии на основании анализа выбранных файлов средство машинного обучения модели обнаружения 132 будет выполнять проверку обученной модели обнаружения;
Figure 00000003
selecting at least one more file from the file database according to predefined rules for generating a test sample of files, and subsequently, based on the analysis of the selected files, the machine tool for detecting model 132 will test the trained model for detection;

Figure 00000003
передачи выбранных файлов средству формирования журналов поведения 112.
Figure 00000003
transferring the selected files to the behavior logger 112.

Например, база файлов содержит 75000 файлов, среди которых 20% безопасных файлов и 80% вредоносных файлов. Изначально из базы файлов выбирают 12500 файлов, среди которых 30% безопасных файлов и 70% вредоносных файлов, при этом впоследствии на основании анализа выбранных файлов средство машинного обучения модели обнаружения 132 будет выполнять обучение модели обнаружения, затем из оставшихся 62500 файлов выбирают 2500 файлов, среди которых 60% безопасных файлов и 40% вредоносных файлов, при этом впоследствии на основании анализа выбранных файлов средство машинного обучения модели обнаружения 132 будет выполнять проверку обученной модели обнаружения. Данные, сформированные описанным выше образом, называется набором данных для перекрестной проверки (англ. cross-validation set of data).For example, the file database contains 75,000 files, including 20% safe files and 80% malicious files. Initially, 12,500 files are selected from the file database, among which 30% of safe files and 70% of malicious files, and subsequently, based on the analysis of the selected files, the detection model machine learning tool 132 will train the detection model, then 2,500 files are selected from the remaining 62500 files, among of which 60% of safe files and 40% of malicious files, and subsequently, based on the analysis of the selected files, the machine learning tool for detection model 132 will check the trained detection model. Data generated in the manner described above is called a cross-validation set of data.

Средство формирования журналов поведения 112 предназначено для:Means of generating behavior logs 112 is intended for:

Figure 00000003
перехвата по меньшей мере одной исполняемой команды по меньшей мере во время:
Figure 00000003
intercepting at least one executable command at least during:

Figure 00000005
исполнения полученного файла,
Figure 00000005
execution of the received file,

Figure 00000005
эмуляции исполнения полученного файла, при этом эмуляция исполнения файла включает в том числе открытие упомянутого файла (например, открытие сценария интерпретатором);
Figure 00000005
emulating the execution of the received file, while emulating the execution of the file includes, among other things, opening the mentioned file (for example, opening the script by the interpreter);

Figure 00000003
определения для каждой перехваченной команды по меньшей мере одного параметра, описывающего упомянутую команду;
Figure 00000003
determining, for each intercepted command, at least one parameter describing said command;

Figure 00000003
формирования на основании перехваченных команд и определенных параметров журнала поведения полученного файла, при этом журнал поведения представляет собой совокупность перехваченных команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один определенный параметр, описывающий упомянутую команду (далее - параметр).
Figure 00000003
forming, based on the intercepted commands and certain parameters of the behavior log of the received file, the behavior log is a collection of intercepted commands (hereinafter referred to as the command) from the file, where at least one specific parameter corresponding to the mentioned command (hereinafter referred to as the parameter) corresponds to each command.

Например, перехваченные во время исполнения вредоносного файла, собирающего пароли и передающего их по компьютерной сети, команды и вычисленные параметры упомянутых команд могут иметь вид:For example, commands intercepted during execution of a malicious file that collects passwords and sends them over a computer network may look like:

CreateFile, 'с:\windows\system32\data.pass'CreateFile, 'c: \ windows \ system32 \ data.pass'

ReadFile, 0x14ea25f7, 0xf000ReadFile, 0x14ea25f7, 0xf000

connect, http://stealpass.comconnect, http://stealpass.com

send, 0x14ea25f7, 0xf000send, 0x14ea25f7, 0xf000

В одном из вариантов реализации системы перехват команд из файла осуществляется с помощью по меньшей мере:In one embodiment of the system, the interception of commands from a file is carried out using at least:

Figure 00000003
специализированного драйвера;
Figure 00000003
specialized driver;

Figure 00000003
средства отладки (англ. debugger);
Figure 00000003
debugging tools;

Figure 00000003
гипервизора (англ. hypervisor).
Figure 00000003
hypervisor.

Например, перехват команд при исполнении файла и определение их параметров осуществляется с помощью драйвера, использующего перехват сплайсингом (англ. splicing) точки входа (англ. entry point) WinAPI-функции.For example, interception of commands during the execution of a file and determination of their parameters is carried out using a driver that uses splicing (English entry) of the entry point (English entry point) of a WinAPI function.

Еще в одном примере перехват команд при эмуляции работы файла осуществляется непосредственно средствами эмулятора, выполняющего упомянутую эмуляцию, который определяет параметры команды, которую требуется эмулировать.In another example, the interception of commands when emulating a file is done directly by means of an emulator that performs the above emulation, which determines the parameters of the command that you want to emulate.

Еще в одном примере перехват команд при исполнении файла на виртуальной машине осуществляется средствами гипервизора, который определяет параметры команды, которую требуется эмулировать.In another example, the interception of commands when executing a file on a virtual machine is carried out using the hypervisor, which determines the parameters of the command that you want to emulate.

Еще в одном из вариантов реализации системы в качестве перехваченных команд из файла выступают по меньшей мере:In another embodiment of the system, at least:

Figure 00000003
API-функции;
Figure 00000003
API functions

Figure 00000003
совокупности машинных инструкций, описывающих заранее заданный набор действий (макрокоманд).
Figure 00000003
a set of machine instructions that describe a predefined set of actions (macros).

Например, очень часто вредоносные программы осуществляют поиск некоторых файлов и модификацию их атрибутов, для чего выполняется последовательность команд, таких как:For example, very often malicious programs search for some files and modify their attributes, for which a sequence of commands is performed, such as:

FindFirstFile, 'с:\windows\system32\*.pass', 0x40afb86aFindFirstFile, 'c: \ windows \ system32 \ *. Pass', 0x40afb86a

SetFileAttributes, 'с:\windows\system32\data.pass'SetFileAttributes, 'with: \ windows \ system32 \ data.pass'

FindNextFile, 0x40afb86aFindNextFile, 0x40afb86a

CloseHandle, 0x40afb86a,CloseHandle, 0x40afb86a,

что может быть в свою очередь описано лишь одной командой which can in turn be described by only one command

_change_attributes, 'с:\windows\system32\*.pass'_change_attributes, 'with: \ windows \ system32 \ *. pass'

Еще в одном из вариантов реализации системы каждой команде ставится в соответствие свой уникальный идентификатор.In another embodiment of the system, each team is assigned its own unique identifier.

Например, всем WinAPI функциям могут быть поставлены в соответствие числа в диапазоне от 0x0000 до 0x8000, при этом каждой WinAPI-функции соответствует свое уникальное число (к примеру, ReadFile→0x00f0, ReadFileEx→0x00f1, connect→0x03A2).For example, all WinAPI functions can be assigned numbers in the range from 0x0000 to 0x8000, while each WinAPI function has its own unique number (for example, ReadFile → 0x00f0, ReadFileEx → 0x00f1, connect → 0x03A2).

Еще в одном из вариантов реализации системы нескольким командам, описывающим схожие действия, ставится в соответствие единый идентификатор.In another embodiment of the system, several teams describing similar actions are assigned a single identifier.

Например, всем командам, таким как ReadFile, ReadFileEx, ifstream, getline, getchar и т.д., описывающим чтение данных из файла, ставится в соответствие идентификатор _read_data_file (0x70F0).For example, all commands, such as ReadFile, ReadFileEx, ifstream, getline, getchar, etc. that describe reading data from a file are assigned the identifier _read_data_file (0x70F0).

Средство формирования шаблонов поведения 121 предназначено для:Means of creating patterns of behavior 121 is intended for:

Figure 00000003
формирования по меньшей мере одного шаблона поведения на основании команд и параметров, выбранных из журнала поведения, при этом журнал поведения представляет собой совокупность исполняемых команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один параметр, описывающий упомянутую команду (далее - параметр), шаблон поведения представляет собой набор из по меньшей мере одной команды и такого параметра, который описывает все команды из упомянутого набора (далее - элементы шаблона поведения);
Figure 00000003
the formation of at least one behavior template based on commands and parameters selected from the behavior log, and the behavior log is a set of executable commands (hereinafter referred to as the command) from a file, where at least one parameter describing the said command corresponds to each command (hereinafter - parameter), the behavior template is a set of at least one command and such a parameter that describes all the commands from the said set (hereinafter referred to as elements of the behavior template);

Figure 00000003
передачи сформированных шаблонов поведения средству формирования функций свертки 122;
Figure 00000003
transmitting the generated patterns of behavior to the means of forming convolution functions 122;

Например, из журнала поведения выбирают следующие команды ci (от англ. command) и параметры pi (от англ. parameter):For example, from the behavior log, the following commands c i (from the English command) and parameters p i (from the English parameter) are selected:

{c1, p1, p2, p3},{c 1 , p 1 , p 2 , p 3 },

{c2, p1, p4},{c 2 , p 1 , p 4 },

3, p5},{c 3 , p 5 },

{c2, p5},{c 2 , p 5 },

{c1, p5, p6},{c 1 , p 5 , p 6 },

{c3, p2}.{c 3 , p 2 }.

На основании выбранных команд и параметров формируют шаблоны поведения, содержащие по одной команде и одному параметру, описывающему упомянутую команду:Based on the selected commands and parameters, behavior patterns are formed containing one command and one parameter describing the command:

{c1, p1}, {c1, p2}, {c1, p3}, {c1, p5}, {c1, p6},{c 1 , p 1 }, {c 1 , p 2 }, {c 1 , p 3 }, {c 1 , p 5 }, {c 1 , p 6 },

{c2, p1}, {c2, p4}, {c2, p5},{c 2 , p 1 }, {c 2 , p 4 }, {c 2 , p 5 },

{c3, p2}, {c3, p5}.{c 3 , p 2 }, {c 3 , p 5 }.

Затем на основании сформированных шаблонов дополнительно формируют шаблоны поведения, содержащие по одному параметру и все команды, описываемые упомянутым параметром:Then, based on the generated patterns, behavior patterns are additionally formed, containing one parameter and all the commands described by the mentioned parameter:

1, c2, p1},{c 1 , c 2 , p 1 },

1, с3, р2},{s 1 , s 3 , p 2 },

{c1, с2, с3, р5},{c 1 , s 2 , s 3 , p 5 },

Затем на основании сформированных шаблонов дополнительно формируют шаблоны поведения, содержащие по несколько параметров и все команды, одновременно описываемые упомянутыми параметрами:Then, based on the generated patterns, behavior patterns are additionally formed, containing several parameters and all the commands simultaneously described by the mentioned parameters:

{c1, c2, p2, p5}.{c 1 , c 2 , p 2 , p 5 }.

В одном из вариантов реализации системы команды и параметры из журнала поведения выбирают на основании правил, по которым по меньшей мере выбирают:In one embodiment of the system implementation, the commands and parameters from the behavior log are selected based on the rules by which at least they select:

Figure 00000003
последовательно каждую i-ую команду и описывающие ее параметры, при этом шаг i является заранее заданным;
Figure 00000003
sequentially each i-th command and parameters describing it, while step i is predetermined;

Figure 00000003
команды, выполненные через заранее заданный промежуток времени (например, каждую десятую секунду) после предыдущей выбранной команды, и описывающие их параметры;
Figure 00000003
commands executed after a predetermined period of time (for example, every tenth second) after the previous selected command, and describing their parameters;

Figure 00000003
команды и описывающие их параметры, выполненные в заранее заданном временном диапазоне с начала исполнения файла;
Figure 00000003
commands and parameters describing them, executed in a predetermined time range from the beginning of file execution;

Figure 00000003
команды из заранее заданного списка и описывающие их параметры;
Figure 00000003
commands from a predefined list and describing their parameters;

Figure 00000003
параметры из заранее заданного списка и описываемые упомянутыми параметрами команды;
Figure 00000003
parameters from a predefined list and described by the command parameters mentioned;

Figure 00000003
первые или случайные k параметров команд, в случае, когда количество параметров команд больше заранее заданного порогового значения.
Figure 00000003
first or random k command parameters, in the case when the number of command parameters is greater than a predetermined threshold value.

Например, из журнала поведения выбирают все команды для работы с жестким диском (такие как, CreateFile, ReadFile, WriteFile, DeleteFile, GetFileAttribute и т.д.) и все параметры, описывающие выбираемые команды.For example, from the behavior log, all commands for working with the hard drive (such as CreateFile, ReadFile, WriteFile, DeleteFile, GetFileAttribute, etc.) and all parameters describing the selected commands are selected.

Еще в одном примере из журнала поведения выбирают каждую тысячную команду и все параметры, описывающие выбираемые команды.In another example, every thousandth command and all parameters describing the selected commands are selected from the behavior log.

В одном из вариантов реализации системы журналы поведения заранее сформированы из по меньшей мере двух файлов, один из которых - безопасный файл, а другой - вредоносный файл.In one embodiment of the system, the behavior logs are pre-generated from at least two files, one of which is a safe file and the other is a malicious file.

Еще в одном из вариантов реализации системы каждому элементу шаблона поведения ставится в соответствие такая характеристика, как тип элемента шаблона поведения. В качестве типа элемента шаблона поведения (команды или параметра) выступает по меньшей мере:In yet another embodiment of the system, each element of the behavior pattern is associated with a characteristic such as the type of element of the behavior pattern. The type of element of the behavior template (command or parameter) is at least:

Figure 00000003
в случае, если элемент шаблона поведения может быть выражен в виде числа - «численный диапазон»
Figure 00000003
in case the element of the behavior pattern can be expressed as a number - “numerical range”

например, для элемента шаблона поведения, представляющего собой параметр porthtml=80 команды connect, тип упомянутого элемента шаблона поведения может быть «численное значение от 0x0000 до 0xFFFF»,for example, for a behavior template element, which is the port html = 80 parameter of the connect command, the type of the mentioned behavior template element can be “a numerical value from 0x0000 to 0xFFFF”,

Figure 00000003
в случае, если элемент шаблона поведения может быть выражен в виде строки - «строка»
Figure 00000003
in case the element of the behavior template can be expressed as a string - “string”

например, для элемента шаблона поведения, представляющего собой команду connect, тип упомянутого элемента шаблона поведения может быть «строка размером менее 32 символов»,for example, for a behavior template element that is a connect command, the type of the mentioned behavior template element may be “a string of less than 32 characters”,

Figure 00000003
в случае, если элемент шаблона поведения может быть выражен в виде данных, описываемых заранее заданной структурой данных, тип упомянутого элемента шаблона поведения может быть «структура данных»
Figure 00000003
in case the element of the behavior template can be expressed in the form of data described by a predetermined data structure, the type of said element of the behavior template can be “data structure”

например, для элемента шаблона поведения, представляющего собой параметр src=0x336b9a480d490982cdd93e2e49fdeca7 команды find_record, тип упомянутого элемента шаблона поведения может быть «структура данных MD5».for example, for a behavior pattern element representing the src = 0x336b9a480d490982cdd93e2e49fdeca7 parameter of the find_record command, the type of the behavior pattern element mentioned may be “MD5 data structure”.

Еще в одном из вариантов реализации системы дополнительно в шаблон поведения в качестве элементов шаблона поведения включаются токены, сформированные на основании лексического анализа упомянутых элементов шаблона поведения с использованием по меньшей мере:In yet another embodiment of the system, tokens formed on the basis of the lexical analysis of the mentioned elements of the behavior template using at least:

Figure 00000003
заранее заданных правил формирования лексем,
Figure 00000003
predefined rules for the formation of tokens,

Figure 00000003
заранее обученной рекурсивной нейронной сети (англ. recurrent neural network).
Figure 00000003
a pre-trained recursive neural network.

Например, с помощью лексического анализа параметраFor example, using lexical analysis of a parameter

'с:\windows\system32\data.pass''with: \ windows \ system32 \ data.pass'

на основании правил формирования лексем:based on the rules for the formation of tokens:

Figure 00000003
если строка содержит путь к файлу, определить диск, на котором расположен файл;
Figure 00000003
if the line contains the path to the file, determine the drive on which the file is located;

Figure 00000003
если строка содержит путь к файлу, определить папки, в которых расположен файл;
Figure 00000003
if the line contains the path to the file, determine the folders in which the file is located;

Figure 00000003
если строка содержит путь к файлу, определить расширение файла;
Figure 00000003
if the line contains the path to the file, determine the file extension;

где в качестве лексем выступают:where the tokens are:

Figure 00000003
пути к файлу;
Figure 00000003
file paths;

Figure 00000003
папки, в которых расположены файлы;
Figure 00000003
folders in which the files are located;

Figure 00000003
имена файлов;
Figure 00000003
file names;

Figure 00000003
расширения файлов;
Figure 00000003
file extensions;

могут быть сформированы токены:Tokens can be formed:

«пути к файлу» →“File paths” →

'с:\','from:\',

«папки, в которых расположены файлы» →“Folders in which files are located” →

'windows','windows',

'system32','system32',

'windows\system32','windows \ system32',

«расширения файлов» →"File extensions" →

'.pass'.'.pass'.

Еще в одном примере с помощью лексического анализа параметровIn another example, using lexical analysis of parameters

'81.19.82.8', '81.19.72.38', '81.19.14.32''81 .19.82.8 ', '81 .19.72.38', '81 .19.14.32 '

на основании правила формирования лексемы:based on the rule of the formation of the token:

Figure 00000003
если параметры представляют собой IP-адреса, определить битовую маску (или ее аналог, выраженный через метасимволы), описывающую упомянутые IP-адреса (т.е. такую битовую маску М, для которой верно равенство М∧IP=const для всех упомянутых IP);
Figure 00000003
if the parameters are IP addresses, define a bit mask (or its analog expressed in metacharacters) that describes the mentioned IP addresses (i.e. such a bit mask M for which the equality М∧IP = const for all the mentioned IPs is true) ;

может быть сформирован токен:a token can be formed:

'81.19.*.*'.'81 .19. *. * '.

Еще в одном примере из всех доступных параметров, в качестве которых выступают числа, формируют токены чисел в заранее заданных диапазонах:In another example, of all the available parameters, which are numbers, form tokens of numbers in predetermined ranges:

23, 16, 7224, 6125152186, 512, 2662162, 363627632, 737382, 52,23, 16, 7224, 6125152186, 512, 2662162, 363627632, 737382, 52,

2625, 3732, 812, 3671, 80, 32002625, 3732, 812, 3671, 80, 3200

сортируют по диапазонам чисел:sort by ranges of numbers:

от 0 до 999from 0 to 999

→ {16, 23, 52, 80, 512, 812},→ {16, 23, 52, 80, 512, 812},

от 1000 до 9999from 1000 to 9999

→ {2625, 3200, 3671, 7224},→ {2625, 3200, 3671, 7224},

от 10000from 10000

→ {737382, 2662162, 363627632, 6125152186}→ {737382, 2662162, 363627632, 6125152186}

Еще в одном из вариантов реализации системы токены формируются из элементов шаблона поведения, в качестве которых выступают строки.In another embodiment of the system implementation, tokens are formed from elements of the behavior template, which are strings.

Например, шаблон поведения представляет собой путь к файлу, содержащему названия диска, директории, файла, расширения файла и т.д. В этом случае токен может представлять собой название диска и расширение файла.For example, a behavior pattern is a path to a file containing the names of the drive, directory, file, file extension, etc. In this case, the token may be the name of the disk and the file extension.

С:\Windows\System32\drivers\acpi.sysC: \ Windows \ System32 \ drivers \ acpi.sys

С:\FROM:\

*.sys* .sys

Средство формирования функций свертки 122 предназначено для:Convolution function forming means 122 is intended for:

Figure 00000003
формирования такой функции свертки от шаблона поведения, что обратная функция свертки от результата такой функции свертки над полученным шаблоном поведения будет иметь степень схожести с полученным шаблоном поведения больше заданного значения, т.е.
Figure 00000003
the formation of such a convolution function from the behavior pattern that the inverse convolution function of the result of such a convolution function over the obtained behavior pattern will have a degree of similarity with the obtained behavior pattern is greater than the specified value, i.e.

r~g-1(g(r))r ~ g -1 (g (r))

где:Where:

ri - шаблон поведения,r i - pattern of behavior,

g - функция свертки,g is the convolution function,

g-1 - обратная функция свертки.g -1 is the inverse convolution function.

Figure 00000003
передачи сформированной функции свертки средству машинного обучения модели обнаружения 132.
Figure 00000003
transmitting the generated convolution function to the machine learning detection model 132.

В одном из вариантов реализации системы средство формирования функций свертки дополнительно предназначено для:In one embodiment of the system, the means of forming convolution functions is additionally intended for:

Figure 00000003
вычисления признакового описания (англ. feature vector) шаблона поведения на основании полученного шаблона поведения, при этом признаковое описание шаблона поведения может быть выражено как сумма хэш-сумм от элементов шаблона поведения;
Figure 00000003
computing a feature description of the behavior pattern based on the resulting behavior pattern, wherein the feature description of the behavior pattern can be expressed as the sum of the hash sums from the elements of the behavior pattern;

Figure 00000003
формирования функции свертки от признакового описания шаблона поведения, при этом функция свертки представляет собой хэш-функцию, такую, что степень схожести вычисленного признакового описания и результата обратной хэш-функции от результата упомянутой хэш-функции от вычисленного признакового описания больше заранее заданного значения.
Figure 00000003
the formation of the convolution function from the characteristic description of the behavior pattern, wherein the convolution function is a hash function such that the degree of similarity of the calculated characteristic description and the result of the inverse hash function from the result of the said hash function from the calculated characteristic description is greater than a predetermined value.

Еще в одном из вариантов реализации системы функция свертки формируется методом метрического обучения (англ. metric learning), т.е. таким образом, что расстояние между свертками, полученными с помощью упомянутой функции свертки для шаблонов поведения имеющих степень схожести больше заранее заданного порогового значения было меньше заранее заданного порогового значения, а для шаблонов поведения имеющих степень схожести менее заранее заданного порогового значения - больше заранее заданного порогового значения.In another embodiment of the system’s implementation, the convolution function is formed by the method of metric learning (English metric learning), i.e. so that the distance between convolutions obtained using the convolution function for behavior patterns having a degree of similarity greater than a predetermined threshold value was less than a predetermined threshold value, and for behavior patterns having a similarity degree less than a predetermined threshold value is greater than a predetermined threshold value .

Например, признаковое описание шаблона поведения может вычисляться следующим образом:For example, a characteristic description of a behavior pattern can be computed as follows:

Figure 00000003
предварительно создают пустой битовый вектор, состоящий из 100000 элементов (где для каждого элемента вектора зарезервирован один бит информации);
Figure 00000003
pre-creating an empty bit vector consisting of 100,000 elements (where for each element of the vector one bit of information is reserved);

Figure 00000003
для хранения данных о командах ci из шаблона поведения r отводят 1000 элементов, оставшиеся 99000 элементов отводят для параметров ci из шаблона поведения r, при этом для строковых параметров отводят 50000 элементов (с 1001 элемента по 51000 элемент), для численных - 25000 элементов (с 51001 элемента по 76000 элемент);
Figure 00000003
to store data on commands c i from the behavior template r, 1,000 elements are allocated, the remaining 99,000 elements are allocated for parameters c i from the behavior template r, while 50,000 elements (from 1001 elements to 51,000 elements) are allocated for string parameters, 25,000 elements for numerical (from 51001 elements to 76000 elements);

Figure 00000003
каждой команде ci из шаблона поведения r ставят в соответствие некоторое число xi от 0 до 999, и устанавливают соответствующий бит в созданном векторе
Figure 00000003
each team c i from the behavior pattern r is assigned a number x i from 0 to 999, and the corresponding bit in the created vector is set

ν[xi]=true;ν [x i ] = true;

Figure 00000003
для каждого параметра pi из шаблона поведения r вычисляют хэш-сумму по формуле:
Figure 00000003
for each parameter p i from the behavior pattern r, the hash sum is calculated by the formula:

Figure 00000005
для строк: yi=1001+crc32(pi) (mod 50000)
Figure 00000005
for strings: y i = 1001 + crc32 (p i ) (mod 50000)

Figure 00000005
для чисел: yi=51001+crc32(pi) (mod 25000)
Figure 00000005
for numbers: y i = 51001 + crc32 (p i ) (mod 25000)

Figure 00000005
для остального: yi=76001+crc32(pi) (mod 24000),
Figure 00000005
for the rest: y i = 76001 + crc32 (p i ) (mod 24000),

и в зависимости от вычисленной хэш-суммы устанавливают соответствующий бит в созданном вектореand depending on the calculated hash, set the corresponding bit in the generated vector

ν[yi]=true;ν [y i ] = true;

Описанный битовый вектор с установленными элементами представляет собой признаковое описание шаблона поведения r.The described bit vector with installed elements is an indicative description of the behavior pattern r.

Еще в одном из вариантов реализации системы признаковое описание шаблона поведения вычисляется согласно формуле:In another embodiment of the system, a characteristic description of the behavior pattern is calculated according to the formula:

Figure 00000006
Figure 00000006

где:Where:

b - основание позиционной системы счисления (например, для бинарного вектора b=2, для вектора, представляющего собой строку, т.е. совокупность символов, b=8),b - the base of the positional number system (for example, for a binary vector b = 2, for a vector representing a string, i.e. a collection of characters, b = 8),

ri - i-ый элемент шаблона поведения,r i is the i-th element of the behavior pattern,

h - хэш-функция, при этом 0≤h(ri)<b.h is a hash function, with 0≤h (r i ) <b.

Например, признаковое описание шаблона поведения может вычисляться следующим образом:For example, a characteristic description of a behavior pattern can be computed as follows:

Figure 00000003
предварительно создают еще один (отличный от предыдущего примера) пустой битовый вектор, состоящий из 1000 элементов (где для каждого элемента вектора зарезервирован один бит информации);
Figure 00000003
pre-create another (different from the previous example) empty bit vector consisting of 1000 elements (where for each element of the vector one bit of information is reserved);

Figure 00000003
для каждого элемента шаблона ri из шаблона поведения r вычисляют хэш-сумма по формуле:
Figure 00000003
for each element of the template r i from the behavior template r calculate the hash sum by the formula:

Figure 00000007
,
Figure 00000007
,

и в зависимости от вычисленной хэш-суммы устанавливают соответствующий бит в созданном векторе and depending on the calculated hash, set the corresponding bit in the generated vector

v[xi]=true;v [x i ] = true;

Еще в одном из вариантов реализации системы признаковое описание шаблона поведения представляет собой фильтр Блума.In another embodiment of the system implementation, the characteristic description of the behavior pattern is a Bloom filter.

Например, признаковое описание шаблона поведения может вычисляться следующим образом:For example, a characteristic description of a behavior pattern can be computed as follows:

Figure 00000003
предварительно создают еще один (отличный от предыдущих примеров) пустой вектор, состоящий из 100000 элементов;
Figure 00000003
pre-create another (different from the previous examples) empty vector consisting of 100,000 elements;

Figure 00000003
для каждого элемента шаблона ri из шаблона поведения r вычисляют по меньшей мере две хэш-суммы с помощью набора хэш-функций {hj} по формуле:
Figure 00000003
for each element of the template r i from the behavior template r, at least two hash sums are calculated using a set of hash functions {h j } according to the formula:

xij=hj(ri)x ij = h j (r i )

где:Where:

hj(ri)=crc32(ri),h j (r i ) = crc32 (r i ),

hj(0)=constj, h j (0) = const j ,

и в зависимости от вычисленных хэш-сумм устанавливают соответствующие элементы в созданном вектореand depending on the calculated hash sums, the corresponding elements in the created vector are set

ν[xij]=true.ν [x ij ] = true.

Еще в одном из вариантов реализации системы размер результата сформированной функции свертки от признакового описания шаблона поведения меньше размера упомянутого признакового описания шаблона поведения.In another embodiment of the system, the size of the result of the generated convolution function from the characteristic description of the behavior template is less than the size of the mentioned characteristic description of the behavior template.

Например, признаковое описание представляет собой битовый вектор, содержащий 100000 элементов, и тем самым имеет размер 12500 байт, а результат функции свертки от упомянутого признакового описания представляет собой набор из 8 MD5 хэш-сумм и тем самым имеет размер 256 байт, т.е. ~2% от размера признакового описания.For example, the characteristic description is a bit vector containing 100,000 elements, and thus has a size of 12,500 bytes, and the result of the convolution function from the said characteristic description is a set of 8 MD5 hash sums and thus has a size of 256 bytes, i.e. ~ 2% of the size of the feature description.

Еще в одном из вариантов реализации системы степень схожести признакового описания и результата обратной хэш-функции от результата упомянутой хэш-функции от вычисленного признакового описания представляет собой численное значение в диапазоне от 0 до 1 и вычисляется согласно формуле:In another embodiment of the system, the degree of similarity of the feature description and the result of the inverse hash function from the result of the said hash function from the calculated feature description is a numerical value in the range from 0 to 1 and is calculated according to the formula:

Figure 00000008
Figure 00000008

{h(ri)}∧{gi}∀{h(ri)}={gi}{h (r i )} ∧ {g i } ∀ {h (r i )} = {g i }

где:Where:

h(ri)∧gi обозначает совпадение h(ri) с gi h (r i ) ∧ g i denotes the coincidence of h (r i ) with g i

иand

{h(ri)} - совокупность результатов хэш-функций от элементов шаблона поведения,{h (r i )} - the set of results of hash functions from the elements of the behavior template,

{gi} - совокупность результатов обратной хэш-функции от результата хэш-функции от элементов шаблона поведения,{g i } - the set of results of the inverse hash function of the result of the hash function of the elements of the behavior template,

ri - i-ый элемент шаблона поведения,r i is the i-th element of the behavior pattern,

h - хэш-функция,h is a hash function

w - степень схожести.w is the degree of similarity.

Например, вычисленное признаковое описание представляет собой битовый векторFor example, the computed feature description is a bit vector

Figure 00000009
,
Figure 00000009
,

результат функции свертки от упомянутого признакового описанияthe result of the convolution function from said feature description

Figure 00000010
,
Figure 00000010
,

а результат обратной функции свертки от полученного выше результатаand the result of the inverse convolution function from the result obtained above

Figure 00000011
Figure 00000011

(где жирным шрифтом отмечены элементы, отличные от признакового описания). Таким образом, схожесть признакового описания и результата обратной функции свертки составляет 0,92.(where elements other than the characteristic description are marked in bold). Thus, the similarity of the feature description and the result of the inverse convolution function is 0.92.

Еще в одном из вариантов реализации системы упомянутая хэш-функция, принимающая в качестве параметра элемент шаблона поведения, зависит от типа элемента шаблона поведения:In another embodiment of the system, said hash function, which takes a behavior pattern element as a parameter, depends on the type of behavior pattern element:

Figure 00000012
.
Figure 00000012
.

Например, для вычисления хэш-суммы от параметра из шаблона поведения, представляющего собой строку, содержащую путь к файлу, используется хэш-функция CRC32, любую другую строку - алгоритм Хаффмана, набор данных - хэш-функция MD5.For example, to calculate the hash sum of a parameter from a behavior template that is a string containing the path to a file, the CRC32 hash function is used, any other line is the Huffman algorithm, the data set is the MD5 hash function.

Еще в одном из вариантов реализации системы формирование функции свертки от признакового описания шаблона поведения выполняется через автокодировщик (англ. autoencoder), при этом в качестве входных данных выступают элементы упомянутого признакового описания шаблона поведения, а в качестве выходных данных - данных, имеющие коэффициент схожести с входными данными выше заранее заданного порогового значения.In yet another embodiment of the system, the convolution function is generated from the characteristic description of the behavior template through an auto-encoder (English autoencoder), while the elements of the mentioned characteristic description of the behavior template act as input data, and data having a similarity coefficient input above a predetermined threshold value.

Средство создания модели обнаружения 131 предназначено для:Detector Model Generator 131 is designed to:

Figure 00000003
создания модели обнаружения вредоносных файлов, которое включает в себя по меньшей мере:
Figure 00000003
creating a malware detection model that includes at least:

Figure 00000013
выбор метода машинного обучения модели обнаружения;
Figure 00000013
the choice of machine learning detection model;

Figure 00000013
инициализации параметров модели обучения, при этом параметры модели обучения, проинициализированные до начала машинного обучения модели обнаружения, называются гиперпарамерами (англ. hyperparameter);
Figure 00000013
initialization of the parameters of the learning model, while the parameters of the learning model, initialized before the start of machine learning of the detection model, are called hyperparameters;

в зависимости от параметров файлов, выбранных средством подготовки обучающих выборок 111;depending on the file parameters selected by the training sample preparation tool 111;

Figure 00000003
передачи созданной модели обучения средству машинного обучения модели обнаружения 132.
Figure 00000003
transferring the created learning model to the machine learning detection model 132.

Например, при выборе метода машинного обучения модели обнаружения вначале выносится решение следует ли использовать в качестве модели обнаружения искусственную нейронную сеть или случайные леса (англ. random forest), затем, в случае выбора случайного леса, выбирается разделяющий критерий для узлов случайного леса; или в случае выбора искусственной нейронной сети, выбирается метод численной оптимизации параметров искусственной нейронной сети. При этом решение о выборе того или иного метода машинного обучения принимается на основании эффективности упомянутого метода при обнаружении вредоносных файлов (т.е. количества ошибок первого и второго рода, возникающих при обнаружении вредоносных файлов) с использованием входных данных (шаблонов поведения) заранее заданного вида (т.е. структуры данных, количества элементов шаблонов поведения, производительности вычислительного устройства на котором выполняется поиск вредоносных файлов, доступных ресурсов вычислительного устройства и т.д.).For example, when choosing a machine learning method for a detection model, the decision is first made whether to use an artificial neural network or random forests as the detection model, then, in the case of choosing a random forest, a separating criterion for nodes of a random forest is selected; or in the case of choosing an artificial neural network, the method of numerical optimization of the parameters of the artificial neural network is selected. At the same time, the decision to choose one or another machine learning method is made based on the effectiveness of the mentioned method when detecting malicious files (i.e. the number of errors of the first and second kind that occur when malicious files are detected) using input data (behavior patterns) of a predetermined type (i.e. data structures, the number of elements of behavior patterns, the performance of the computing device on which the malicious files, available resources of the computing device are searched etc.).

Еще в одном примере метод машинного обучения модели обнаружения выбирают на основании по меньшей мере:In yet another example, a machine learning method of detection model is selected based on at least:

Figure 00000003
перекрестной проверки, скользящего контроля, кросс-валидации (англ. cross-validation, CV);
Figure 00000003
cross-validation, rolling control, cross-validation (English cross-validation, CV);

Figure 00000003
математического обоснования критериев AIC, BIC и т.д.;
Figure 00000003
mathematical justification of the criteria AIC, BIC, etc .;

Figure 00000003
А/В тестирования (англ. А/В testing, split testing);
Figure 00000003
A / B testing (Eng. A / B testing, split testing);

Figure 00000003
стекинга.
Figure 00000003
stacking.

Еще в одном примере в случае невысокой производительности вычислительного устройства выбирают случайные леса, в противном случае - искусственную нейронную сеть.In another example, in the case of low performance computing devices random forests are chosen, otherwise, an artificial neural network.

В одном из вариантов реализации системы выполняется машинное обучение заранее созданной необученной модели обнаружения (т.е. модели обнаружения, у которой параметры упомянутой модели не позволяют получить на основании анализа входных данных выходных данных с точностью выше заранее заданного порогового значения).In one embodiment of the system, machine learning of a previously created untrained detection model is performed (i.e., a detection model for which the parameters of the said model do not allow obtaining, based on the analysis of the input data, the output data with an accuracy higher than a predetermined threshold value).

Еще в одном из вариантов реализации системы в качестве метода машинного обучения модели обнаружения выступает по меньшей мере:In yet another embodiment of the system, at least:

Figure 00000003
градиентный бустинг на деревьях принятия решений (англ. decision-tree-based gradient boosting);
Figure 00000003
gradient boosting on decision trees (English decision-tree-based gradient boosting);

Figure 00000003
решающие деревья (англ. decision trees);
Figure 00000003
decision trees (English decision trees);

Figure 00000003
метод ближайших соседей kNN (англ. K-nearest neighbor method);
Figure 00000003
closest neighbor method kNN (English K-nearest neighbor method);

Figure 00000003
метод опорных векторов (англ. support vector machine, SVM).
Figure 00000003
support vector machine (eng. support vector machine, SVM).

Еще в одном из вариантов реализации системы дополнительно средство создания модели обнаружения 131 предназначено для создания модели обнаружения по запросу от средства машинного обучения 132, при этом определенные гиперпараметры и методы машинного обучения выбираются отличными от гиперпараметров и методов машинного обучения, выбранных для предыдущей модели обнаружения.In another embodiment of the system, the detection model creation tool 131 is additionally designed to create a detection model upon request from the machine learning tool 132, while certain hyperparameters and machine learning methods are selected different from the hyperparameters and machine learning methods selected for the previous detection model.

Средство машинного обучения модели обнаружения 132 предназначено для обучения модели обнаружения, в которой параметры модели обнаружения вычисляются с использованием полученной функции свертки над полученными шаблонами поведения, где модель обнаружения представляет собой совокупность правил вычисления степени вредоносности файла на основании по меньшей мере одного шаблона поведения с использованием вычисленных параметров упомянутой модели обнаружения.Detection model machine learning tool 132 is intended to teach a detection model in which the parameters of the detection model are calculated using the obtained convolution function over the obtained behavior patterns, where the detection model is a set of rules for calculating the degree of maliciousness of a file based on at least one behavior pattern using calculated parameters of said detection model.

Например, модель обнаружения обучают на известном наборе файлов, выбранных средством подготовки обучающих выборок 111, при этом упомянутый набор файлов содержит 60% безопасных файлов и 40% вредоносных файлов.For example, the detection model is trained on a well-known set of files selected by the training sample preparation tool 111, while said set of files contains 60% of safe files and 40% of malicious files.

В одном из вариантов реализации системы степень вредоносности файла представляет собой численное значение от 0 до 1, при этом 0 означает, что упомянутый файл безопасный, 1 - вредоносный.In one embodiment of the system, the degree of maliciousness of the file is a numerical value from 0 to 1, while 0 means that the file is safe, 1 means malicious.

Еще в одном из вариантов реализации системы выбирается метод обучения модели обнаружения, обеспечивающий монотонность изменения степени вредоносности файла в зависимости от изменения количества шаблонов поведения, сформированных на основании анализа журнала поведения.In yet another embodiment of the system, a method for training a detection model is selected that provides a monotonic change in the degree of harmfulness of a file depending on a change in the number of behavior patterns generated based on an analysis of the behavior log.

Например, монотонное изменение степени вредоносности файла приводит к тому, что при анализе каждого последующего шаблона поведения, вычисленный степень вредоносности оказывается не меньше чем, вычисленный ранее степень вредоносности (к примеру, после анализа 10ого шаблона поведения вычисленный степень вредоносности равен 0,2, после анализа 50ого шаблона поведения - 0,4, а после анализа 100ого шаблона поведения - 0,7).For example, a monotonic change in the severity of a file leads to the fact that when analyzing each subsequent behavior pattern, the calculated severity is no less than the previously calculated severity (for example, after analyzing the 10th behavior pattern, the calculated severity is 0.2, after analysis 50th pattern of behavior - 0.4, and after analysis of the 100th pattern of behavior - 0.7).

Еще в одном из вариантов реализации системы дополнительно средство машинного обучения модели обнаружения 132 предназначено для:In another embodiment of the system, an additional machine learning tool for the detection model 132 is intended for:

Figure 00000003
выполнения проверки обученной модели обнаружения на полученных журналах поведения, сформированных на основании анализа файлов из тестовой выборки файлов, с целью определить корректность определения вредоносности файлов из тестовой выборки файлов;
Figure 00000003
checking the trained detection model on the received behavior logs generated based on the analysis of files from the test file selection in order to determine the correctness of determining the harmfulness of files from the test file selection;

Figure 00000003
в случае отрицательного результата проверки передачи запроса по меньшей мере:
Figure 00000003
in case of a negative result of checking the transfer of the request at least:

Figure 00000013
средству подготовки обучающих выборок 111 для подготовки выборки файлов, отличной от текущей, на которой производилось обучение модели обнаружения;
Figure 00000013
the training sample preparation tool 111 for preparing a sample of files other than the current one on which the detection model was trained;

Figure 00000013
средству создания модели обнаружения 131 для создания новой модели обнаружения, отличной от текущей.
Figure 00000013
detection model tool 131 to create a new detection model different from the current one.

При этом проверка обученной модели обнаружения заключается в следующем. Упомянутая модель обнаружения была обучена на основании набора выбранных средством подготовки обучающих выборок 111 файлов для которых было известно являются ли они безопасными или вредоносными. Для того, чтобы проверить, что модель обнаружения вредоносных файлов была обучена корректно, т.е. упомянутая модель обнаружения сможет обнаруживать вредоносные файлы и пропускать безопасные файлы выполняется проверка упомянутой модели. С этой целью с помощью упомянутой модели обнаружения определяют являются ли файлы из другого набора выбранных средством подготовки обучающих выборок 111 файлов вредоносными, при этом являются ли упомянутые файлы вредоносными известно заранее. Таким образом, определяют сколько вредоносных файлов было «пропущено» и сколько безопасных файлов было обнаружено. Если количество пропущенных вредоносных и обнаруженных безопасных файлов больше заранее заданного порогового значения, то упомянутая модель обнаружения считается некорректно обученной и требуется выполнить ее повторное машинное обучение (например, на другой обучающей выборке файлов, с использованием отличных от предыдущих значений параметров модели обнаружения и т.д.).The verification of the trained detection model is as follows. The mentioned detection model was trained on the basis of a set of 111 files selected by the training sample preparation tool for which it was known whether they were safe or malicious. In order to verify that the malware detection model has been trained correctly, i.e. said detection model will be able to detect malicious files and skip safe files, the said model is checked. To this end, using the aforementioned detection model, it is determined whether the files from another set of 111 files selected by the training sample preparation tool are malicious, while it is known whether the said files are malicious. Thus, it determines how many malicious files were “skipped” and how many safe files were found. If the number of skipped malicious and detected safe files is greater than a predetermined threshold value, then the mentioned detection model is considered to be incorrectly trained and it is necessary to perform its machine learning again (for example, on another training sample of files using different detection model parameters, etc. .).

Например, при выполнении проверки обученной модели проверяется количество ошибок первого и второго рода при обнаружении вредоносных файлов из тестовой выборки файлов. Если количество упомянутых ошибок превышает заранее заданное пороговое значение, то выбирается новая обучающая и тестовая выборка файлов и создается новая модель обнаружения.For example, when testing a trained model, the number of errors of the first and second kind when detecting malicious files from a test sample of files is checked. If the number of the mentioned errors exceeds a predetermined threshold value, a new training and test selection of files is selected and a new detection model is created.

Еще в одном примере обучающая выборка файлов содержала 10000 файлов из которых 8500 было вредоносными, а 1500 - безопасными. После того как модель обнаружения была обучена, ее проверили на тестовой выборке файлов, содержащей 1200 файлов, из которых 350 было вредоносными, а 850 - безопасными. По результатам выполненной проверки 15 из 350 вредоносных файлов обнаружить не удалось (4%), в тоже время 102 из 850 безопасных файлов (12%) ошибочно было признано вредоносными. В случае, когда количество не обнаруженных вредоносных файлов превышает 5% или случайно обнаруженных безопасных файлов превышает 0,1% обученная модель обнаружения признается некорректно обученной.In another example, the training sample of files contained 10,000 files, of which 8,500 were malicious, and 1,500 were safe. After the detection model was trained, it was tested on a test sample of files containing 1200 files, of which 350 were malicious, and 850 were safe. According to the results of the scan, 15 out of 350 malicious files could not be detected (4%), while at the same time, 102 out of 850 safe files (12%) were mistakenly recognized as malicious. In the case when the number of undetected malicious files exceeds 5% or accidentally detected safe files exceeds 0.1%, the trained detection model is recognized as incorrectly trained.

В одном из вариантов реализации системы дополнительно журнал поведения системы формируется на основании ранее сформированного журнала поведения системы и команд, перехваченных после формирования упомянутого журнала поведения системы.In one embodiment of the system, an additional system behavior log is generated based on a previously generated system behavior log and commands intercepted after the formation of the system behavior log.

Например, после начала исполнения файла, для которого требуется вынести вердикт о вредоносности или безопасности упомянутого файла, перехваченные выполняемые команды и описывающие их параметры записываются в журнал поведения. На основании анализа упомянутых команд и параметров вычисляется коэффициент вредоносности упомянутого файла. Если по результатам анализа решения о признании файла вредоносным или безопасным вынесено не было, перехват команд может быть продолжен. Перехваченные команды и описывающие их параметры дописываются в старый журнал поведения или в новый журнал поведения. В первом случае коэффициент вредоносности вычисляется на основании анализа всех команда и параметров, записанных в журнале поведения, т.е. и тех, которые ранее использовались для вычисления коэффициента вредоносности.For example, after the start of the execution of a file for which a verdict on the harmfulness or security of the said file is to be issued, intercepted executable commands and parameters describing them are recorded in the behavior log. Based on the analysis of the mentioned commands and parameters, the harmfulness coefficient of the mentioned file is calculated. If, according to the results of the analysis, a decision to recognize the file as malicious or safe was not made, command interception can continue. Intercepted commands and parameters describing them are added to the old behavior log or to the new behavior log. In the first case, the harmfulness coefficient is calculated based on an analysis of all the command and parameters recorded in the behavior log, i.e. and those previously used to calculate the malware rate.

Средство вычисления степени вредоносности 142 предназначено для:The malware severity calculation tool 142 is intended for:

Figure 00000014
вычисления степени вредоносности на основании полученного от средства формирования журнала поведения 142 журнала поведения и от средства машинного обучения модели обнаружения 132 модели обнаружения, при этом степень вредоносности файла представляет собой количественную характеристику (например, лежащую в диапазоне от 0 - файл обладает исключительно безопасным поведением до 1 - упомянутый файл обладает заранее заданным вредоносным поведением), описывающую вредоносное поведение исполняемого файла;
Figure 00000014
calculating the degree of severity based on the behavior log received from the means of generating the behavior log 142 of the behavior log and from the machine learning tool of the detection model 132 of the detection model, while the degree of severity of the file is a quantitative characteristic (for example, lying in the range from 0 - the file has exceptionally safe behavior up to 1 - the said file has a predefined malicious behavior) that describes the malicious behavior of the executable file;

Figure 00000014
передачи вычисленного степени вредоносности средству управления ресурсами 143.
Figure 00000014
transmitting the calculated severity to the resource manager 143.

Средство управления ресурсами 143 предназначено для на основании анализа полученного степени вредоносности выделения вычислительных ресурсов компьютерной системы для использования их при обеспечении безопасности компьютерной системы.The resource management tool 143 is intended for analyzing the degree of severity of the allocation of computing resources of a computer system for use in securing a computer system.

В одном из вариантов реализации системы в качестве вычислительных ресурсов компьютерной системы выступают по меньшей мере:In one embodiment of the system, at least:

Figure 00000014
объем свободной оперативной памяти;
Figure 00000014
amount of free RAM;

Figure 00000014
объем свободного места на жестких дисках;
Figure 00000014
amount of free space on hard drives;

Figure 00000014
свободное процессорное время (кванты процессорного времени), которое может быть потрачено на антивирусную проверку (например, с большей глубиной эмуляции).
Figure 00000014
free processor time (quanta of processor time) that can be spent on anti-virus scanning (for example, with greater emulation depth).

Еще в одном из вариантов реализации системы анализ степени вредоносности заключается в определении динамики изменения значения степени вредоносности после каждого из предыдущих вычислений степени вредоносности и в случае по меньшей мере:In another embodiment of the system, the analysis of the degree of harmfulness consists in determining the dynamics of the change in the value of the degree of harmfulness after each of the previous calculations of the degree of harmfulness and in the case of at least:

Figure 00000014
увеличение значения степени вредоносности - выделения дополнительных ресурсов компьютерной системы;
Figure 00000014
increasing the value of the degree of severity - allocation of additional resources of a computer system;

Figure 00000014
уменьшение значения степени вредоносности - освобождение ранее выделенных ресурсов компьютерной системы.
Figure 00000014
reducing the value of the degree of severity - the release of previously allocated resources of a computer system.

Фиг. 2 представляет структурную схему способа машинного обучения модели обнаружения вредоносных файлов.FIG. 2 is a flow diagram of a machine learning method for detecting malicious files.

Структурная схема способа машинного обучения модели обнаружения вредоносных файлов содержит этап 211, на котором подготавливают обучающие выборки файлов, этап 212, на котором формируют журналы поведения, этап 221, на котором формируют шаблоны поведения, этап 222, на котором формируют функции свертки, этапа 231, на котором создают модель обнаружения, этапа 232, на котором обучаю модель обнаружения, этапа 241, на котором отслеживают поведение компьютерной системы, этапа 242, на котором вычисляют степень вредоносности, этап 243, на котором управляют ресурсами компьютерной системы.The block diagram of the machine learning method for detecting malicious files contains step 211, which prepares training samples of files, step 212, which generates behavior logs, step 221, which generates behavior patterns, step 222, which generates convolution functions, step 231, which creates a detection model, step 232, where I train the detection model, step 241, which tracks the behavior of the computer system, step 242, which calculates the degree of harmfulness, step 243, which controls the resource s computer system.

На этапе 211 с помощью средства подготовки обучающих выборок 111 выбирают по меньшей мере один файл из базы файлов согласно заранее заданным критериям, при этом на основании выбранных файлов на этапе 232 будут выполнять обучение модели обнаружения.At step 211, using the training sample preparation means 111, at least one file is selected from the file base according to predetermined criteria, and the detection model will be trained based on the selected files at step 232.

На этапе 212 с помощью средства формирования журналов поведения 112:At step 212 using the means of generating behavior logs 112:

Figure 00000014
перехватывают по меньшей мере одну команду по меньшей мере во время:
Figure 00000014
intercept at least one command at least during:

Figure 00000015
исполнения выбранного на этапе 211 файла,
Figure 00000015
executing the file selected in step 211,

Figure 00000015
эмуляции работы выбранного на этапе 211 файла;
Figure 00000015
emulating the operation of the file selected in step 211;

Figure 00000014
определяют для каждой перехваченной команды по меньшей мере один параметр, описывающий упомянутую команду;
Figure 00000014
determining for each intercepted command at least one parameter describing said command;

Figure 00000014
формируют на основании перехваченных команд и определенных параметров журнал поведения полученного файла, при этом журнал поведения представляет собой совокупность перехваченных команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один определенный параметр, описывающий упомянутую команду (далее - параметр).
Figure 00000014
form, based on the intercepted commands and certain parameters, the behavior log of the received file, while the behavior log is a collection of intercepted commands (hereinafter referred to as the command) from the file, where at least one specific parameter corresponding to the mentioned command (hereinafter referred to as the parameter) corresponds to each command.

На этапе 221 с помощью средства формирования шаблонов поведения 121 формируют по меньшей мере один шаблон поведения на основании команд и параметров, выбранных из журнала поведения, сформированного на этапе 212, при этом журнал поведения представляет собой совокупность исполняемых команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один параметр, описывающий упомянутую команду (далее - параметр), шаблон поведения представляет собой набор из по меньшей мере одной команды и такого параметра, который описывает все команды из упомянутого набора.At step 221, using the means of generating behavior patterns 121, at least one behavior pattern is generated based on commands and parameters selected from the behavior log generated in step 212, the behavior log being a set of executable commands (hereinafter referred to as the command) from a file, where each command corresponds to at least one parameter that describes the command (hereinafter referred to as the parameter), the behavior pattern is a set of at least one command and such a parameter that describes everything teams from the mentioned set.

На этапе 222 с помощью средства формирования функций свертки 122 формируют такую функцию свертки от шаблона поведения, сформированного на этапе 221, что обратная функция свертки от результата такой функции свертки над упомянутым шаблоном поведения будет иметь степень схожести с упомянутым шаблоном поведения больше заданного значения.At step 222, using the means of generating convolution functions 122, such a convolution function is generated from the behavior pattern generated in step 221 that the inverse convolution function from the result of such a convolution function over said behavior pattern will have a degree of similarity with said behavior pattern greater than a predetermined value.

На этапе 231 с помощью средства создания модели обнаружения 131 создают модель обнаружения для чего по меньшей мере:At step 231, using the detection model creation tool 131, a detection model is created for which at least:

Figure 00000014
выбирают метод машинного обучения модели обнаружения;
Figure 00000014
choose a machine learning method for the detection model;

Figure 00000014
инициализируют параметры модели обучения, при этом параметры модели обучения, проинициализированные до начала машинного обучения модели обнаружения, называются гиперпарамерами (англ. hyperparameter),
Figure 00000014
initialize the parameters of the learning model, while the parameters of the learning model, initialized before the start of machine learning of the detection model, are called hyperparameters,

в зависимости от параметров файлов, выбранных на этапе 211.depending on the file parameters selected in step 211.

На этапе 232 с помощью средства машинного обучения модели обнаружения 132 обучают модель обнаружения, созданную на этапе 231, в которой параметры упомянутой модели обнаружения вычисляются с использованием функции свертки, сформированной на этапе 222, над шаблонами поведения, сформированными на этапе 221, где модель обнаружения где модель обнаружения представляет собой совокупность правил вычисления степени вредоносности файла на основании по меньшей мере одного шаблона поведения с использованием вычисленных параметров упомянутой модели обнаружения.In step 232, the detection model created in step 231 is trained in the machine learning tool of the detection model 132, in which the parameters of the detection model are calculated using the convolution function generated in step 222 over the behavior patterns generated in step 221, where the detection model where the detection model is a set of rules for calculating the degree of harmfulness of a file based on at least one behavior pattern using the calculated parameters of the mentioned model about aruzheniya.

На этапе 241 с помощью средства отслеживания поведения 141:At step 241, using the behavior tracking means 141:

Figure 00000014
перехватывают по меньшей мере одну команду, исполняемую файлами, работающими в компьютерной системе;
Figure 00000014
intercepting at least one command executed by files operating in a computer system;

Figure 00000014
формируют на основании перехваченных команд журнал поведения системы.
Figure 00000014
form a system behavior log based on intercepted commands.

На этапе 242 с помощью средства вычисления степени вредоносности 142 вычисляют степень вредоносности на основании журнала поведения системы, сформированного на этапе 241, и модели обнаружения, обученной на этапе 232.In step 242, the degree of severity is calculated using the severity calculation means 142 based on the system behavior log generated in step 241 and the detection model trained in step 232.

На этапе 243 с помощью средства управления ресурсами 143 на основании анализа степени вредоносности, вычисленного на этапе 242, выделяют вычислительные ресурсы для использования их при обеспечении безопасности компьютерной системы.At step 243, using the resource management tool 143 based on the analysis of the severity calculated at step 242, computing resources are allocated for use in securing a computer system.

Фиг. 3 представляет примеры динамики изменения степени вредоносности от количества шаблонов поведения.FIG. 3 presents examples of dynamics of changes in the degree of harmfulness in relation to the number of patterns of behavior.

Примеры динамики изменения степени вредоносности от количества шаблонов поведения содержит график динамики произвольного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения вредоносного файла 311, график динамики монотонного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения вредоносного файла 312, график динамики произвольного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения безопасного файла 321, график динамики монотонного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения безопасного файла 322.Examples of dynamics of changes in the degree of harmfulness in terms of the number of patterns of behavior include a graph of the dynamics of an arbitrary change in the degree of harmfulness in terms of the number of patterns of behavior generated during the execution of a malicious file 311, a graph of the dynamics of a monotonous change in the degree of harmfulness in terms of the number of patterns of behavior formed during the execution of a malicious file 312, arbitrary changes in the degree of harmfulness from the number of behavior patterns generated during execution without asnogo file 321, a graph of the dynamics of a monotone change in the degree of harmfulness of the number of patterns of behavior generated during a secure file 322 execution.

В одном из вариантов реализации системы степень вредоносности исполняемого файла принимает значение в диапазоне от 0 (упомянутый файл обладает исключительно безопасным поведением) до 1 (упомянутый файл обладает заранее заданным вредоносным поведением).In one embodiment of the system, the severity of the executable file takes a value in the range from 0 (the file has exceptionally safe behavior) to 1 (the file has a predefined malicious behavior).

На графике 311 изображена динамика произвольного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения вредоносного файла.The graph 311 shows the dynamics of an arbitrary change in the degree of harmfulness from the number of behavior patterns generated during the execution of the malicious file.

Изначально, при исполнении упомянутого файла количество сформированных шаблонов поведения невелико, вдобавок вредоносная активность исполняемого файла может отсутствовать или быть минимальной (например, выполняется инициализация данных, свойственная многим, в том числе и безопасным файлам), поэтому вычисленный степень вредоносности незначительно отличается от 0 и не превышает заранее заданного порогового значения (далее - критерия безопасности) при превышении которого поведение исполняемого файла перестанет считать безопасным (на графике упомянутое пороговое значение обозначается пунктирной линией).Initially, during the execution of the mentioned file, the number of generated patterns of behavior is small, in addition, the malicious activity of the executable file may be absent or minimal (for example, data initialization is inherent to many, including safe files), therefore, the calculated severity is slightly different from 0 and not exceeds a predetermined threshold value (hereinafter referred to as the security criterion) upon exceeding which the behavior of the executable file will no longer be considered safe (by r In the graphic, the mentioned threshold value is indicated by a dashed line).

Однако со временем вредоносная активность исполняемого файла возрастает и степень вредоносности начинает стремиться к 1, превышая критерий безопасности, при этом степень вредоносности может не достигать заранее заданного порогового значения (далее - критерий вредоносности) при превышении которого поведение исполняемого файла будет считаться вредоносным (на графике упомянутое пороговое значение обозначается штриховой линией).However, over time, the malicious activity of the executable file increases and the degree of harmfulness begins to approach 1, exceeding the security criterion, while the degree of harmfulness may not reach a predetermined threshold value (hereinafter referred to as the harmfulness criterion), above which the behavior of the executable file will be considered malicious (on the graph mentioned the threshold value is indicated by a dashed line).

После периода роста вредоносная активность может прекращаться и степень вредоносности опять будет стремиться к 0 (момент А). В определенный момент степень вредоносности становится больше критерия вредоносности (момент В) и поведение исполняемого файла признается вредоносным и как следствие сам файл признается вредоносным.After a period of growth, malicious activity may cease and the degree of harmfulness will again tend to 0 (moment A). At a certain point, the degree of harmfulness becomes greater than the harmfulness criterion (moment B) and the behavior of the executable file is recognized as malicious and, as a result, the file itself is recognized as malicious.

При этом момент признания файла вредоносным может произойти значительно позже начала роста вредоносной активности, поскольку описанный подход хорошо реагирует на резкий рост степени вредоносности, что происходит чаще всего при длительной, явно выраженной вредоносной активности исполняемого файла.At the same time, the moment the file is recognized as malicious can occur much later than the beginning of the growth of malicious activity, since the described approach responds well to a sharp increase in the degree of harmfulness, which occurs most often with prolonged, clearly pronounced malicious activity of the executable file.

В случае, когда вредоносная активность возникает эпизодически (левая сторона графика 311), вычисленный степень вредоносности может не достигать значения, после которого выносится решение о вредоносности поведения исполняемого файла и, следовательно, вредоносности самого исполняемого файла.In the case when malicious activity occurs occasionally (the left side of the graph 311), the calculated degree of harmfulness may not reach a value after which a decision is made on the harmfulness of the behavior of the executable file and, therefore, the harmfulness of the executable file itself.

В случае, когда степень вредоносности вычисляется не на основании каждого сформированного шаблона поведения (например, из-за того, что производительность вычислительного устройства является невысокой), возможна ситуация, когда степень вредоносности будет вычислен в момент А (когда начинается вредоносная активность) и момент С (когда завершается вредоносная активность), и не будет вычислен в момент В (когда происходит вредоносная активность), из-за чего вычисленные степени вредоносности не превысят критерия вредоносности, активность исполняемого файла не будет признана вредоносной и, следовательно, вредоносный файл не будет обнаружен.In the case when the severity is not calculated on the basis of each generated behavior pattern (for example, due to the fact that the performance of the computing device is low), it is possible that the severity will be calculated at time A (when malicious activity begins) and moment C (when malicious activity ends), and will not be calculated at time В (when malicious activity occurs), because of which the calculated degrees of harmfulness will not exceed the harmfulness criterion, the activity is The executable file will not be recognized as malicious and, therefore, the malicious file will not be detected.

На графики 312 изображена динамика монотонного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения вредоносного файла.Charts 312 show the dynamics of a monotonous change in the degree of harmfulness in relation to the number of behavior patterns generated during the execution of a malicious file.

Изначально, при исполнении упомянутого файла количество сформированных шаблонов поведения невелико, вдобавок вредоносная активность исполняемого файла может отсутствовать или быть минимальной (например, выполняется инициализация данных, свойственная многим, в том числе и безопасным файлам), поэтому вычисленный степень вредоносности незначительно отличается от 0 и не превышает заранее заданного порогового значения (далее - критерия безопасности) при превышении которого поведение исполняемого файла перестанет считать безопасным (на графике упомянутое пороговое значение обозначается пунктирной линией).Initially, during the execution of the mentioned file, the number of generated patterns of behavior is small, in addition, the malicious activity of the executable file may be absent or minimal (for example, data initialization is inherent to many, including safe files), therefore, the calculated severity is slightly different from 0 and not exceeds a predetermined threshold value (hereinafter referred to as the security criterion) upon exceeding which the behavior of the executable file will no longer be considered safe (by r In the graphic, the mentioned threshold value is indicated by a dashed line).

Однако со временем вредоносная активность исполняемого файла возрастает и степень вредоносности начинает стремиться к 1, превышая критерий безопасности, при этом степень вредоносности может не достигать заранее заданного порогового значения (далее - критерий вредоносности) при превышении которого поведение исполняемого файла будет считаться вредоносным (на графике упомянутое пороговое значение обозначается штриховой линией).However, over time, the malicious activity of the executable file increases and the degree of harmfulness begins to approach 1, exceeding the security criterion, while the degree of harmfulness may not reach a predetermined threshold value (hereinafter referred to as the harmfulness criterion), above which the behavior of the executable file will be considered malicious (on the graph mentioned the threshold value is indicated by a dashed line).

После периода роста (моменты А-В) вредоносная активность может прекращаться (моменты В-А), но степень вредоносности уменьшаться уже не будет, а при любой вредоносной активности исполняемого файла будет только продолжать расти. В определенный момент степень вредоносности становится больше критерия вредоносности (момент D) и поведение исполняемого файла признается вредоносным и как следствие сам файл признается вредоносным.After a growth period (moments AB), malicious activity may cease (moments BA), but the degree of harmfulness will no longer decrease, and with any malicious activity of the executable file it will only continue to grow. At a certain point, the degree of harmfulness becomes greater than the harmfulness criterion (moment D) and the behavior of the executable file is recognized as malicious and, as a result, the file itself is recognized as malicious.

При этом момент признания файла вредоносным может произойти сразу после выявления вредоносной активности, поскольку описанный подход хорошо реагирует на плавный рост степени вредоносности, что происходит как при длительной, явно выраженной вредоносной активности исполняемого файла, так и при частых эпизодической слабовыраженной вредоносной активности.At the same time, the moment the file is recognized as malicious can occur immediately after the detection of malicious activity, since the described approach responds well to a smooth increase in the degree of harmfulness, which occurs both with prolonged, clearly pronounced malicious activity of the executable file, and with frequent episodic mild malicious activity.

В случае, когда вредоносная активность возникает эпизодически (левая сторона графика 312), вычисленный степень вредоносности со временем может достигать значения, после которого выносится решение о вредоносности поведения исполняемого файла и вредоносности самого исполняемого файла.In the case when malicious activity occurs sporadically (the left side of the graph 312), the calculated degree of malware can reach a value over time, after which a decision is made about the harmfulness of the behavior of the executable file and the harmfulness of the executable file itself.

В случае, когда степень вредоносности вычисляется не на основании каждого сформированного шаблона поведения (например, из-за того, что производительность вычислительного устройства является невысокой), возможна ситуация, когда степень вредоносности будет вычислен в момент А (когда начинается вредоносная активность) и момент С (когда завершается вредоносная активность), и не будет вычислен в момент В (когда происходит вредоносная активность), тем, не менее, поскольку степень вредоносности меняется монотонно вычисленные степени вредоносности только увеличивают свои значения и в момент С степень вредоносности превысит критерий вредоносности, активность исполняемого файла будет признана вредоносной и, следовательно, вредоносный файл будет обнаружен.In the case when the severity is not calculated on the basis of each generated behavior pattern (for example, due to the fact that the performance of the computing device is low), it is possible that the severity will be calculated at time A (when malicious activity begins) and moment C (when malicious activity ends), and will not be calculated at time В (when malicious activity occurs), however, since the degree of harmfulness changes the monotonously calculated degrees of malicious the worms only increase their values and at time C the degree of harmfulness will exceed the harmfulness criterion, the activity of the executable file will be recognized as malicious and, therefore, the malicious file will be detected.

На графике 321 изображена динамика произвольного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения безопасного файла.The graph 321 shows the dynamics of an arbitrary change in the degree of harmfulness from the number of behavior patterns generated during the execution of a safe file.

Изначально, при исполнении упомянутого файла количество сформированных шаблонов поведения невелико, вдобавок вредоносная активность как таковая у исполняемого файла отсутствует, но могут выполняться «подозрительные» команды, выполняемые также и при исполнении вредоносных файлов (например, удаление файлов, передача данных по компьютерной сети и т.д.), поэтому вычисленный степень вредоносности отличается от 0 и не превышает заранее заданного порогового значения (далее - критерия безопасности) при превышении которого поведение исполняемого файла перестанет считать безопасным (на графике упомянутое пороговое значение обозначается пунктирной линией).Initially, when executing the mentioned file, the number of generated behavior patterns is small, in addition, malicious activity as such is absent in the executable file, but “suspicious” commands can also be executed when executing malicious files (for example, deleting files, transferring data over a computer network, etc.) .d.), therefore, the calculated degree of harmfulness differs from 0 and does not exceed a predetermined threshold value (hereinafter referred to as the security criterion) above which the behavior is executed of the file will cease to be considered safe (on the graph, the mentioned threshold value is indicated by a dashed line).

Однако со временем вредоносная активность исполняемого файла из-за выполнения большого количества «подозрительных» команд возрастает и степень вредоносности начинает стремиться к 1, при этом степень вредоносности может не достигать заранее заданного порогового значения (далее - критерий вредоносности) при превышении которого поведение исполняемого файла будет считаться вредоносным (на графике упомянутое пороговое значение обозначается штриховой линией), но может превышать критерий безопасности, таким образом файл может перестать считаться безопасным и стать «подозрительным».However, over time, the malicious activity of the executable file increases due to the execution of a large number of “suspicious” commands and the degree of harmfulness begins to approach 1, while the degree of harmfulness may not reach a predetermined threshold value (hereinafter referred to as the harmfulness criterion) above which the behavior of the executable file will be be considered malicious (on the graph, the mentioned threshold value is indicated by a dashed line), but may exceed the security criterion, thus the file may cease to itatsya safe and become a "suspicious".

После периода роста вредоносная активность может прекращаться и степень вредоносности опять будет стремиться к 0 (момент С).After a period of growth, malicious activity may cease and the degree of harmfulness will again tend to 0 (moment C).

В случае, когда степень вредоносности вычисляется не на основании каждого сформированного шаблона поведения (например, из-за того, что производительность вычислительного устройства является невысокой), возможна ситуация, когда степень вредоносности будет вычислен в момент В (когда активность наиболее схожа с вредоносной, т.е. становится «подозрительной») и не будет вычислен в момент А (когда «подозрительная» активность увеличивается) и в момент С (когда «подозрительная активность» уменьшается), из-за чего вычисленный степень вредоносности превысит критерий безопасности, активность исполняемого файла будет признана «подозрительной» (не будет признана безопасной) и, следовательно, безопасный файл не будет признан безопасным.In the case when the severity is not calculated on the basis of each generated behavior pattern (for example, because the performance of the computing device is low), it is possible that the severity will be calculated at the moment B (when the activity is most similar to the malicious one, t .e. becomes “suspicious”) and will not be calculated at time A (when “suspicious” activity increases) and at time C (when “suspicious” activity decreases), which is why the calculated degree is harmful ti exceeds the safety criterion, the executable file activity will be recognized as "suspicious" (will not be recognized as safe) and thus secure the file is found to be safe.

На графике 322 изображена динамика монотонного изменения степени вредоносности от количества шаблонов поведения, сформированных во время исполнения безопасного файла.The graph 322 shows the dynamics of a monotonous change in the degree of harmfulness from the number of behavior patterns generated during the execution of a safe file.

Изначально, при исполнении упомянутого файла количество сформированных шаблонов поведения невелико, вдобавок вредоносная активность как таковая у исполняемого файла отсутствует, но могут выполняться «подозрительные» команды, выполняемые также и при исполнении вредоносных файлов (например, удаление файлов, передача данных по компьютерной сети и т.д.), поэтому вычисленный степень вредоносности отличается от 0 и не превышает заранее заданного порогового значения (далее - критерия безопасности) при превышении которого поведение исполняемого файла перестанет считать безопасным (на графике упомянутое пороговое значение обозначается пунктирной линией).Initially, when executing the mentioned file, the number of generated behavior patterns is small, in addition, malicious activity as such is absent in the executable file, but “suspicious” commands can also be executed when executing malicious files (for example, deleting files, transferring data over a computer network, etc.) .d.), therefore, the calculated degree of harmfulness differs from 0 and does not exceed a predetermined threshold value (hereinafter referred to as the security criterion) above which the behavior is executed of the file will cease to be considered safe (on the graph, the mentioned threshold value is indicated by a dashed line).

Однако со временем вредоносная активность исполняемого файла из-за выполнения большого количества «подозрительных» команд возрастает и степень вредоносности начинает стремиться к 1, при этом степень вредоносности может не достигать заранее заданного порогового значения (далее - критерий вредоносности) при превышении которого поведение исполняемого файла будет считаться вредоносным (на графике упомянутое пороговое значение обозначается штриховой линией), а также может не превышать критерий безопасности, таким образом файл будет продолжать считаться безопасным.However, over time, the malicious activity of the executable file increases due to the execution of a large number of “suspicious” commands and the degree of harmfulness begins to approach 1, while the degree of harmfulness may not reach a predetermined threshold value (hereinafter referred to as the harmfulness criterion) above which the behavior of the executable file will be be considered malicious (on the graph, the threshold value indicated by a dashed line), and may also not exceed the security criterion, thus the file will be sold To be considered safe.

После периода роста (моменты А-В) вредоносная активность может прекращаться (моменты В-А), но степень вредоносности уменьшаться уже не будет, а при любой вредоносной активности исполняемого файла будет только продолжать расти, но при этом не превышать коэффициент безопасности, таким образом активность исполняемого файла будет считаться безопасной и, следовательно, упомянутый файл будет считаться безопасным.After a growth period (moments AB), malicious activity may cease (moments BA), but the degree of harmfulness will not decrease anymore, and for any malicious activity of the executable file it will only continue to grow, but not exceed the safety factor, thus the activity of the executable file will be considered safe and, therefore, the mentioned file will be considered safe.

В случае, когда степень вредоносности вычисляется не на основании каждого сформированного шаблона поведения (например, из-за того, что производительность вычислительного устройства является невысокой), возможна ситуация, когда степень вредоносности будет вычислен в момент В (когда активность наиболее схожа с вредоносной, т.е. становится «подозрительной») и не будет вычислен в момент А (когда «подозрительная» активность увеличивается) и в момент С (когда «подозрительная активность» уменьшается), тем, не менее, поскольку степень вредоносности меняется монотонно вычисленные степени вредоносности только увеличивают свои значения, в моменты А, В, С степени вредоносности не превысят критерия безопасности, активность исполняемого файла будет признана безопасной и, следовательно, безопасный файл будет признан безопасным.In the case when the severity is not calculated on the basis of each generated behavior pattern (for example, because the performance of the computing device is low), it is possible that the severity will be calculated at the moment B (when the activity is most similar to the malicious one, t .e. becomes “suspicious”) and will not be calculated at time A (when “suspicious” activity increases) and at time C (when “suspicious” activity decreases), however, since the degree is harmful STI changes monotonically calculated degree of harmfulness only increase their value in points A, B, C, degree of harmfulness does not exceed the safety criterion, the activity of the executable file is found to be safe and therefore safe file is deemed safe.

При этом момент признания файла «подозрительным» может не произойти после выявления «подозрительной» активности, поскольку описанный подход обеспечивает на плавный рост степени вредоносности, что позволяет избежать резких пиков при росте степени вредоносности.At the same time, the moment of recognition of the file as “suspicious” may not occur after the detection of “suspicious” activity, since the described approach ensures a smooth increase in the degree of harmfulness, which avoids sharp peaks when the degree of harmfulness increases.

Фиг. 4 представляет пример схемы связей между элементами шаблонов поведения.FIG. 4 is an example of a relationship scheme between elements of behavior patterns.

Пример схемы связей между элементами шаблонов поведения содержит команды 411 (пустые кружки), параметры 412 (штрихованные кружки), пример шаблона поведения с одним параметром 421, пример шаблона поведения с одной командой 422.An example of a relationship between elements of behavior patterns contains commands 411 (empty circles), parameters 412 (hatched circles), an example of a behavior pattern with one parameter 421, an example of a behavior pattern with one command 422.

Во время исполнения файла были перехвачены команды 411 и определены описывающие им параметры 412:During the execution of the file, commands 411 were intercepted and the parameters 412 describing them were determined:

CreateFile 0x24e0da54 '.dat'CreateFile 0x24e0da54 '.dat'

{c1, p1, p2}{c1, p1, p2}

ReadFile 0x24e0da54 '.dat'ReadFile 0x24e0da54 '.dat'

{c2, p1, p2}{c2, p1, p2}

DeleteFile 0x24e0da54 '.dat' 'с:\'DeleteFile 0x24e0da54 '.dat' 'with: \'

{c3, p1, p2, p3}{c3, p1, p2, p3}

CreateFile 0x708a0b32 'dat' 0x3be06520CreateFile 0x708a0b32 'dat' 0x3be06520

{c1, p2, p3, p5}{c1, p2, p3, p5}

WriteFile 0x708a0b32WriteFile 0x708a0b32

{c4, p3}{c4, p3}

WriteFile 0x708a0b32 0x3be06520 0x9902a18d1718b5124728f9 0WriteFile 0x708a0b32 0x3be06520 0x9902a18d1718b5124728f9 0

{с4, p3, p5, p6, p7}{c4, p3, p5, p6, p7}

CopyMemory 0x3be06520 0x9902a18d1718b5124728f9CopyMemory 0x3be06520 0x9902a18d1718b5124728f9

{с5, p4, p5, p6}{c5, p4, p5, p6}

ReadFile 0x9902a18d1718b5124728f9 0ReadFile 0x9902a18d1718b5124728f9 0

{с2, p6, p7}{c2, p6, p7}

На основании упомянутых команд 411 и параметров 412 формируют шаблоны поведения (421, 422) и определяют связи между элементами шаблонов поведения.Based on the mentioned commands 411 and parameters 412, behavior patterns (421, 422) are generated and relationships between the elements of the behavior patterns are determined.

На первом этапе формируют шаблоны, содержащие одну команду 411 и один параметр 412, описывающий упомянутую команду:At the first stage, templates are formed containing one command 411 and one parameter 412 describing the command:

{c1, p1}{c1, p1} {с3, p2}{c3, p2} {c1, p2}{c1, p2} {с3, p3}{c3, p3} {c1, p3}{c1, p3} {с4, p3}{c4, p3} {c1, p5}{c1, p5} {с4, p5}{c4, p5} {c2, p1}{c2, p1} {с4, p6}{c4, p6} {с2, p2}{c2, p2} {с4, p7}{c4, p7} {с2, p6}{c2, p6} {с5, p4}{c5, p4} {с2, р7}{c2, p7} {с5, р5}{c5, p5} {c3, p1}{c3, p1} {с5, р6}{c5, p6}

В приведенном примере на основании 8 перехваченных команд (с описывающими их параметрами) было сформировано 19 шаблонов поведения.In the given example, on the basis of 8 intercepted teams (with parameters describing them), 19 patterns of behavior were generated.

На втором этапе формируют шаблоны, содержащие один параметр 412 и все команды 411, описываемые упомянутым параметром 412:At the second stage, templates are formed containing one parameter 412 and all commands 411 described by the mentioned parameter 412:

{c1, c2, c3, p1}{c1, c2, c3, p1} {с1, с3, с4, p3}{c1, c3, c4, p3} {c1, c2, c3, p2}{c1, c2, c3, p2} {с5, p4}{c5, p4} {c1, c4, с5, p5}{c1, c4, c5, p5} {с2, с4, p7}{c2, c4, p7} {с2, с4, с5, p6}{c2, c4, c5, p6}

В приведенном примере на основании 8 перехваченных команд (с описывающими их параметрами) было дополнительно сформировано 7 шаблонов поведения.In the given example, based on 8 intercepted commands (with the parameters describing them), 7 additional behavior patterns were generated.

На третьем этапе формируют шаблоны, содержащие несколько параметров 412 и все команды 411, описываемые упомянутыми шаблонами 412:At the third stage, templates are formed containing several parameters 412 and all commands 411 described by the mentioned templates 412:

{c1, с2, с3, p1, р2}{c1, c2, c3, p1, p2} {с2, с4, p6, р7}{c2, c4, p6, p7} {с4, с5, р5, p6}{c4, c5, p5, p6}

В приведенном примере на основании 8 перехваченных команд (с описывающими их параметрами) было дополнительно сформировано 3 шаблона поведения.In the given example, on the basis of 8 intercepted teams (with parameters describing them), 3 behavior patterns were additionally generated.

Фиг. 5 представляет пример компьютерной системы общего назначения, персональный компьютер или сервер 20, содержащий центральный процессор 21, системную память 22 и системную шину 23, которая содержит разные системные компоненты, в том числе память, связанную с центральным процессором 21. Системная шина 23 реализована, как любая известная из уровня техники шинная структура, содержащая в свою очередь память шины или контроллер памяти шины, периферийную шину и локальную шину, которая способна взаимодействовать с любой другой шинной архитектурой. Системная память содержит постоянное запоминающее устройство (ПЗУ) 24, память с произвольным доступом (ОЗУ) 25. Основная система ввода/вывода (BIOS) 26, содержит основные процедуры, которые обеспечивают передачу информации между элементами персонального компьютера 20, например, в момент загрузки операционной системы с использованием ПЗУ 24.FIG. 5 is an example of a general purpose computer system, a personal computer or server 20 comprising a central processor 21, a system memory 22, and a system bus 23 that contains various system components, including memory associated with the central processor 21. The system bus 23 is implemented as any prior art bus structure comprising, in turn, a bus memory or a bus memory controller, a peripheral bus and a local bus that is capable of interacting with any other bus architecture. The system memory contains read-only memory (ROM) 24, random access memory (RAM) 25. The main input / output system (BIOS) 26, contains basic procedures that ensure the transfer of information between the elements of the personal computer 20, for example, at the time of loading the operating ROM systems 24.

Персональный компьютер 20 в свою очередь содержит жесткий диск 27 для чтения и записи данных, привод магнитных дисков 28 для чтения и записи на сменные магнитные диски 29 и оптический привод 30 для чтения и записи на сменные оптические диски 31, такие как CD-ROM, DVD-ROM и иные оптические носители информации. Жесткий диск 27, привод магнитных дисков 28, оптический привод 30 соединены с системной шиной 23 через интерфейс жесткого диска 32, интерфейс магнитных дисков 33 и интерфейс оптического привода 34 соответственно. Приводы и соответствующие компьютерные носители информации представляют собой энергонезависимые средства хранения компьютерных инструкций, структур данных, программных модулей и прочих данных персонального компьютера 20.The personal computer 20 in turn contains a hard disk 27 for reading and writing data, a magnetic disk drive 28 for reading and writing to removable magnetic disks 29, and an optical drive 30 for reading and writing to removable optical disks 31, such as a CD-ROM, DVD -ROM and other optical information carriers. The hard disk 27, the magnetic disk drive 28, the optical drive 30 are connected to the system bus 23 through the interface of the hard disk 32, the interface of the magnetic disks 33 and the interface of the optical drive 34, respectively. Drives and associated computer storage media are non-volatile means of storing computer instructions, data structures, software modules and other data of a personal computer 20.

Настоящее описание раскрывает реализацию системы, которая использует жесткий диск 27, сменный магнитный диск 29 и сменный оптический диск 31, но следует понимать, что возможно применение иных типов компьютерных носителей информации 56, которые способны хранить данные в доступной для чтения компьютером форме (твердотельные накопители, флеш карты памяти, цифровые диски, память с произвольным доступом (ОЗУ) и т.п.), которые подключены к системной шине 23 через контроллер 55.The present description discloses an implementation of a system that uses a hard disk 27, a removable magnetic disk 29, and a removable optical disk 31, but it should be understood that other types of computer storage media 56 that can store data in a form readable by a computer (solid state drives, flash memory cards, digital disks, random access memory (RAM), etc.) that are connected to the system bus 23 through the controller 55.

Компьютер 20 имеет файловую систему 36, где хранится записанная операционная система 35, а также дополнительные программные приложения 37, другие программные модули 38 и данные программ 39. Пользователь имеет возможность вводить команды и информацию в персональный компьютер 20 посредством устройств ввода (клавиатуры 40, манипулятора «мышь» 42). Могут использоваться другие устройства ввода (не отображены): микрофон, джойстик, игровая консоль, сканер и т.п. Подобные устройства ввода по своему обычаю подключают к компьютерной системе 20 через последовательный порт 46, который в свою очередь подсоединен к системной шине, но могут быть подключены иным способом, например, при помощи параллельного порта, игрового порта или универсальной последовательной шины (USB). Монитор 47 или иной тип устройства отображения также подсоединен к системной шине 23 через интерфейс, такой как видеоадаптер 48. В дополнение к монитору 47, персональный компьютер может быть оснащен другими периферийными устройствами вывода (не отображены), например, колонками, принтером и т.п.Computer 20 has a file system 36 where the recorded operating system 35 is stored, as well as additional software applications 37, other program modules 38, and program data 39. The user is able to enter commands and information into personal computer 20 via input devices (keyboard 40, keypad “ the mouse "42). Other input devices (not displayed) can be used: microphone, joystick, game console, scanner, etc. Such input devices are, as usual, connected to the computer system 20 via a serial port 46, which in turn is connected to the system bus, but can be connected in another way, for example, using a parallel port, a game port, or a universal serial bus (USB). A monitor 47 or other type of display device is also connected to the system bus 23 via an interface such as a video adapter 48. In addition to the monitor 47, the personal computer can be equipped with other peripheral output devices (not displayed), for example, speakers, a printer, etc. .

Персональный компьютер 20 способен работать в сетевом окружении, при этом используется сетевое соединение с другим или несколькими удаленными компьютерами 49. Удаленный компьютер (или компьютеры) 49 являются такими же персональными компьютерами или серверами, которые имеют большинство или все упомянутые элементы, отмеченные ранее при описании существа персонального компьютера 20, представленного на Фиг. 5. В вычислительной сети могут присутствовать также и другие устройства, например, маршрутизаторы, сетевые станции, пиринговые устройства или иные сетевые узлы.The personal computer 20 is capable of operating in a networked environment, using a network connection with another or more remote computers 49. The remote computer (or computers) 49 are the same personal computers or servers that have most or all of the elements mentioned earlier in the description of the creature the personal computer 20 of FIG. 5. Other devices, such as routers, network stations, peer-to-peer devices, or other network nodes, may also be present on the computer network.

Сетевые соединения могут образовывать локальную вычислительную сеть (LAN) 50 и глобальную вычислительную сеть (WAN). Такие сети применяются в корпоративных компьютерных сетях, внутренних сетях компаний и, как правило, имеют доступ к сети Интернет. В LAN- или WAN-сетях персональный компьютер 20 подключен к локальной сети 50 через сетевой адаптер или сетевой интерфейс 51. При использовании сетей персональный компьютер 20 может использовать модем 54 или иные средства обеспечения связи с глобальной вычислительной сетью, такой как Интернет. Модем 54, который является внутренним или внешним устройством, подключен к системной шине 23 посредством последовательного порта 46. Следует уточнить, что сетевые соединения являются лишь примерными и не обязаны отображать точную конфигурацию сети, т.е. в действительности существуют иные способы установления соединения техническими средствами связи одного компьютера с другим.Network connections can form a local area network (LAN) 50 and a wide area network (WAN). Such networks are used in corporate computer networks, internal networks of companies and, as a rule, have access to the Internet. In LAN or WAN networks, the personal computer 20 is connected to the local area network 50 via a network adapter or network interface 51. When using the networks, the personal computer 20 may use a modem 54 or other means of providing communication with a global computer network such as the Internet. The modem 54, which is an internal or external device, is connected to the system bus 23 via the serial port 46. It should be clarified that the network connections are only exemplary and are not required to display the exact network configuration, i.e. in reality, there are other ways to establish a technical connection between one computer and another.

В заключение следует отметить, что приведенные в описании сведения являются примерами, которые не ограничивают объем настоящего изобретения, определенного формулой.In conclusion, it should be noted that the information provided in the description are examples that do not limit the scope of the present invention defined by the claims.

Claims (29)

1. Система машинного обучения модели обнаружения вредоносных файлов, которая содержит:1. The machine learning system of the malware detection model, which contains: а) средство формирования шаблонов поведения вредоносных файлов, предназначенное для:a) a tool for generating patterns of behavior of malicious files designed to:
Figure 00000016
формирования по меньшей мере одного шаблона поведения вредоносного файла на основании исполняемых команд и параметров, выбранных из журнала поведения, при этом журнал поведения представляет собой совокупность исполняемых команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один параметр, описывающий упомянутую команду (далее - параметр), шаблон поведения вредоносного файла представляет собой набор из по меньшей мере одной команды и такого параметра, который описывает все команды из упомянутого набора;
Figure 00000016
generating at least one behavior pattern of the malicious file based on the executable commands and parameters selected from the behavior log, the behavior log being a set of executable commands (hereinafter referred to as the command) from the file, where each command corresponds to at least one parameter describing the aforementioned a command (hereinafter referred to as a parameter), a malicious file behavior pattern is a set of at least one command and such a parameter that describes all the commands from the said set;
Figure 00000017
передачи сформированных шаблонов поведения вредоносного файла средству формирования функций свертки;
Figure 00000017
transferring the generated malicious file behavior patterns to the convolution function generation tool;
б) средство формирования функций свертки, предназначенное для:b) means for the formation of convolution functions, intended for:
Figure 00000018
формирования такой функции свертки от шаблона поведения вредоносного файла, что обратная функция свертки от результата такой функции свертки над полученным шаблоном поведения вредоносного файла будет иметь степень схожести с полученным шаблоном поведения вредоносного файла больше заданного значения;
Figure 00000018
the formation of such a convolution function from the behavior pattern of the malicious file that the inverse convolution function from the result of such a convolution function over the resulting behavior pattern of the malicious file will have a degree of similarity with the obtained behavior pattern of the malicious file is greater than the specified value;
Figure 00000019
передачи сформированной функции свертки средству машинного обучения модели обнаружения;
Figure 00000019
transmitting the generated convolution function to the machine learning detection model;
в) средство машинного обучения модели обнаружения, предназначенное для:c) a machine learning tool for the detection model, designed to:
Figure 00000020
обучения модели обнаружения, в которой параметры модели обнаружения вычисляются с использованием полученной функции свертки над полученными шаблонами поведения вредоносного файла, где модель обнаружения представляет собой совокупность правил вычисления степени вредоносности файла на основании по меньшей мере одного шаблона поведения вредоносного файла с использованием вычисленных параметров упомянутой модели обнаружения.
Figure 00000020
training a detection model in which the parameters of the detection model are calculated using the obtained convolution function over the obtained behavior patterns of the malicious file, where the detection model is a set of rules for calculating the degree of maliciousness of a file based on at least one behavior pattern of the malicious file using the calculated parameters of the said detection model .
2. Система по п. 1, в которой журналы поведения заранее сформированы из по меньшей мере двух файлов, один из которых - безопасный файл, а другой - вредоносный файл.2. The system of claim 1, wherein the behavior logs are pre-generated from at least two files, one of which is a secure file and the other is a malicious file. 3. Система по п. 1, в которой выполняется машинное обучение заранее созданной необученной модели обнаружения.3. The system according to claim 1, in which machine learning of a previously created untrained detection model is performed. 4. Система по п. 1, в которой в качестве метода машинного обучения модели обнаружения выступает по меньшей мере:4. The system of claim 1, wherein at least:
Figure 00000021
градиентный бустинг на деревьях принятия решений;
Figure 00000021
gradient boosting on decision trees;
Figure 00000022
решающие деревья;
Figure 00000022
decisive trees;
Figure 00000023
метод ближайших соседей kNN;
Figure 00000023
nearest neighbors method kNN;
Figure 00000024
метод опорных векторов.
Figure 00000024
support vector method.
5. Система по п. 1, в которой выбирается метод обучения модели обнаружения, обеспечивающий монотонность изменения степени вредоносности файла в зависимости от изменения количества шаблонов поведения вредоносного файла, сформированных на основании анализа журнала поведения.5. The system according to claim 1, in which a method for training a detection model is selected that provides a monotonic change in the degree of maliciousness of a file depending on changes in the number of malicious file behavior patterns generated based on an analysis of the behavior log. 6. Способ машинного обучения модели обнаружения вредоносных файлов, при этом способ содержит этапы, которые реализуются с помощью средств из системы по п. 1 и на которых:6. A method of machine learning a model for detecting malicious files, the method comprising the steps that are implemented using the tools from the system according to claim 1 and in which: а) формируют по меньшей мере один шаблон поведения вредоносного файла на основании исполняемых команд и параметров, выбранных из журнала поведения, при этом журнал поведения представляет собой совокупность исполняемых команд (далее - команда) из файла, где каждой команде соответствует по меньшей мере один параметр, описывающий упомянутую команду (далее - параметр), шаблон поведения вредоносного файла представляет собой набор из по меньшей мере одной команды и такого параметра, который описывает все команды из упомянутого набора;a) form at least one pattern of behavior of the malicious file based on the executable commands and parameters selected from the behavior log, while the behavior log is a set of executable commands (hereinafter - the command) from the file, where at least one parameter corresponds to each command, describing the command (hereinafter referred to as the parameter), the behavior pattern of the malicious file is a set of at least one command and such a parameter that describes all the commands from the said set; б) формируют такую функцию свертки от шаблона поведения вредоносного файла, что обратная функция свертки от результата такой функции свертки над сформированным шаблоном поведения вредоносного файла будет иметь степень схожести с формированным шаблоном поведения вредоносного файла больше заданного значения;b) form such a convolution function from the malicious file behavior pattern that the inverse convolution function from the result of such a convolution function over the generated malicious file behavior pattern will have a degree of similarity with the generated malicious file behavior pattern greater than the specified value; в) обучают модель обнаружения, в которой параметры модели обнаружения вычисляются с использованием сформированной функции свертки над полученными шаблонами поведения вредоносного файла, где модель обнаружения представляет собой совокупность правил вычисления степени вредоносности файла на основании по меньшей мере одного шаблона поведения вредоносного файла с использованием вычисленных параметров упомянутой модели обнаружения.c) they teach a detection model in which the parameters of the detection model are calculated using the generated convolution function over the obtained malicious file behavior patterns, where the detection model is a set of rules for calculating the malware severity level based on at least one malicious file behavior pattern using the calculated parameters of the aforementioned detection models. 7. Способ по п. 6, по которому журналы поведения заранее сформированы из по меньшей мере двух файлов, один из которых - безопасный файл, а другой - вредоносный файл.7. The method of claim 6, wherein the behavior logs are pre-generated from at least two files, one of which is a secure file and the other is a malicious file. 8. Способ по п. 6, по которому выполняется машинное обучение заранее созданной необученной модели обнаружения.8. The method of claim 6, wherein machine learning of a previously created untrained detection model is performed. 9. Способ по п. 6, по которому в качестве метода машинного обучения модели обнаружения выступает по меньшей мере:9. The method of claim 6, wherein at least:
Figure 00000025
градиентный бустинг на деревьях принятия решений;
Figure 00000025
gradient boosting on decision trees;
Figure 00000026
решающие деревья;
Figure 00000026
decisive trees;
Figure 00000027
метод ближайших соседей kNN;
Figure 00000027
nearest neighbors method kNN;
Figure 00000028
метод опорных векторов.
Figure 00000028
support vector method.
10. Способ по п. 6, по которому выбирается метод обучения модели обнаружения, обеспечивающий монотонность изменения степени вредоносности файла в зависимости от изменения количества шаблонов поведения вредоносного файла, сформированных на основании анализа журнала поведения.10. The method according to p. 6, which selects a method for training a detection model that provides a monotonic change in the degree of harmfulness of a file depending on changes in the number of malicious file behavior patterns generated based on an analysis of the behavior log.
RU2017125331A 2017-07-17 2017-07-17 System and method of machine training model of detecting malicious files RU2673708C1 (en)

Priority Applications (5)

Application Number Priority Date Filing Date Title
RU2017125331A RU2673708C1 (en) 2017-07-17 2017-07-17 System and method of machine training model of detecting malicious files
US15/907,462 US10795996B2 (en) 2017-07-17 2018-02-28 System and method of machine learning of malware detection model
EP18162957.7A EP3432186B1 (en) 2017-07-17 2018-03-20 System and method of machine learning of malware detection model
CN201810732861.7A CN109271780B (en) 2017-07-17 2018-07-05 Method, system, and computer readable medium for machine learning malware detection model
JP2018128786A JP6636096B2 (en) 2017-07-17 2018-07-06 System and method for machine learning of malware detection model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2017125331A RU2673708C1 (en) 2017-07-17 2017-07-17 System and method of machine training model of detecting malicious files

Publications (1)

Publication Number Publication Date
RU2673708C1 true RU2673708C1 (en) 2018-11-29

Family

ID=64603634

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017125331A RU2673708C1 (en) 2017-07-17 2017-07-17 System and method of machine training model of detecting malicious files

Country Status (1)

Country Link
RU (1) RU2673708C1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2702980C1 (en) * 2018-12-14 2019-10-14 Самсунг Электроникс Ко., Лтд. Distributed learning machine learning models for personalization
CN111159111A (en) * 2019-12-13 2020-05-15 深信服科技股份有限公司 Information processing method, device, system and computer readable storage medium
EP3918500B1 (en) * 2019-03-05 2024-04-24 Siemens Industry Software Inc. Machine learning-based anomaly detections for embedded software applications
CN118194285A (en) * 2024-05-14 2024-06-14 中汽智联技术有限公司 Automatic verification method and system for automobile information security test cases

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2485577C1 (en) * 2012-05-11 2013-06-20 Закрытое акционерное общество "Лаборатория Касперского" Method of increasing reliability of detecting malicious software
US8516584B2 (en) * 2007-01-29 2013-08-20 Deutsche Telekom Ag Method and system for detecting malicious behavioral patterns in a computer, using machine learning
RU2510530C1 (en) * 2012-09-28 2014-03-27 Закрытое акционерное общество "Лаборатория Касперского" Method for automatic generation of heuristic algorithms for searching for malicious objects
RU2013129552A (en) * 2013-06-28 2015-01-10 Закрытое акционерное общество "Лаборатория Касперского" SYSTEM AND METHOD FOR PRODUCING FLEXIBLE CONVOLUTION FOR DETECTING MALICIOUS APPLICATIONS
US20150128263A1 (en) * 2013-11-07 2015-05-07 Cyberpoint International, LLC Methods and systems for malware detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8516584B2 (en) * 2007-01-29 2013-08-20 Deutsche Telekom Ag Method and system for detecting malicious behavioral patterns in a computer, using machine learning
RU2485577C1 (en) * 2012-05-11 2013-06-20 Закрытое акционерное общество "Лаборатория Касперского" Method of increasing reliability of detecting malicious software
RU2510530C1 (en) * 2012-09-28 2014-03-27 Закрытое акционерное общество "Лаборатория Касперского" Method for automatic generation of heuristic algorithms for searching for malicious objects
RU2013129552A (en) * 2013-06-28 2015-01-10 Закрытое акционерное общество "Лаборатория Касперского" SYSTEM AND METHOD FOR PRODUCING FLEXIBLE CONVOLUTION FOR DETECTING MALICIOUS APPLICATIONS
US20150128263A1 (en) * 2013-11-07 2015-05-07 Cyberpoint International, LLC Methods and systems for malware detection

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2702980C1 (en) * 2018-12-14 2019-10-14 Самсунг Электроникс Ко., Лтд. Distributed learning machine learning models for personalization
EP3918500B1 (en) * 2019-03-05 2024-04-24 Siemens Industry Software Inc. Machine learning-based anomaly detections for embedded software applications
CN111159111A (en) * 2019-12-13 2020-05-15 深信服科技股份有限公司 Information processing method, device, system and computer readable storage medium
CN118194285A (en) * 2024-05-14 2024-06-14 中汽智联技术有限公司 Automatic verification method and system for automobile information security test cases

Similar Documents

Publication Publication Date Title
RU2679785C1 (en) System and method of classification of objects
RU2659737C1 (en) System and method of managing computing resources for detecting malicious files
RU2739865C2 (en) System and method of detecting a malicious file
US10878090B2 (en) System and method of detecting malicious files using a trained machine learning model
RU2724710C1 (en) System and method of classifying objects of computer system
US10929534B2 (en) System and method detecting malicious files using machine learning
RU2654151C1 (en) System and method of detection of malicious files using a trained malware detection pattern
US10795996B2 (en) System and method of machine learning of malware detection model
RU2654146C1 (en) System and method of detecting malicious files accompanied with using the static analysis elements
EP3474175B1 (en) System and method of managing computing resources for detection of malicious files based on machine learning model
RU2673708C1 (en) System and method of machine training model of detecting malicious files