Rilevamento del Concetto Drift nei Modelli di Classificazione del Malware

Un recente articolo su arXiv (2608.13465) indaga il rilevamento del concetto drift e il riaddestramento adattivo dei modelli di classificazione del malware. Il concetto drift si riferisce all'evoluzione delle caratteristiche statistiche dei dati nel tempo, che rappresenta un ostacolo importante per i sistemi di apprendimento automatico nel rilevamento del malware, poiché i criminali informatici modificano continuamente i loro malware. La ricerca valuta due metodi di rilevamento automatico: un nuovo approccio che utilizza le Macchine a Vettori di Supporto a Una Classe (OCSVM) e un metodo precedente che coinvolge il Minibatch K-Means (MK-Means). Inoltre, lo studio esamina la Massima Discrepanza Media (MMD), un approccio statistico per identificare cambiamenti nei dati multidimensionali. L'efficacia di quattro modelli di apprendimento—Percettrone Multistrato, Foresta Casuale, Macchine a Vettori di Supporto e eXtreme Gradient Boosting—viene confrontata attraverso esperimenti estesi. Questa ricerca evidenzia l'urgente necessità di modelli adattivi nella cybersecurity, poiché i modelli statici diventano rapidamente obsoleti. I risultati possono guidare futuri sforzi per mantenere l'accuratezza dei sistemi di rilevamento del malware di fronte a minacce in evoluzione.