Advanced Persistent Threats (APT) Attribution Using Deep Reinforcement Learning
यह शोध पत्र एडवांस्ड पर्सिस्टेंट थ्रेट (APT) एट्रिब्यूशन के लिए एक डीप रिइन्फोर्समेंट लर्निंग मॉडल प्रस्तुत करता है, जिसने पुनरावृत्ति वास्तुशिल्प और एल्गोरिद्मिक सुधारों के माध्यम से, 7% से बढ़कर लगभग 98% तक सटीकता में नाटकीय सुधार हासिल किया, जो मैलवेयर गतिविधियों को पहचानने और एट्रिब्यूट करने की इसकी मजबूत क्षमता को प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ हर कोई एक-दूसरे से जुड़ा हुआ है। इस शहर में, अदृश्य चोर हैं जिन्हें "हैकर्स" कहा जाता है। कभी-कभी, ये चोर केवल अवसरवादी चोर होते हैं जो टूटने के लिए एक आसान खिड़की की तलाश में होते हैं। लेकिन फिर "एडवांस्ड पर्सिस्टेंट थ्रेट्स" (APTs) आते हैं। इन्हें एक मास्टर जासूस या एक अत्यधिक संगठित अपराध सिंडिकेट के रूप में सोचें। वे केवल घुसकर भाग नहीं जाते; वे चुपके से अंदर आते हैं, वर्षों तक दीवारों में छिपे रहते हैं, धीरे-धीरे रहस्य चुराते हैं, और कोई उंगलियों के निशान नहीं छोड़ते। यह पता लगाना कि ये जासूस वास्तव में कौन हैं—चाहे वह कोई प्रतिद्वंद्वी राष्ट्र हो, कोई अपराधी गिरोह, या हैकर्स का कोई विशिष्ट समूह—"एट्रिब्यूशन" कहलाता है। यह एक कमरे में उनके चलने के तरीके से एक भूत की पहचान करने जैसा है। यह करना अविश्वसनीय रूप से कठिन है क्योंकि ये जासूस अपने पदचिह्नों को छिपाने के लिए मास्क पहनने या गुप्त सुरंगों का उपयोग करने जैसी तरकीबों का इस्तेमाल करते हैं।
इस रहस्य को सुलझाने के लिए, वैज्ञानिकों ने एक विशेष प्रकार के कंप्यूटर मस्तिष्क का उपयोग करना शुरू कर दिया है जिसे "डीप रीइन्फोर्समेंट लर्निंग" (DRL) कहा जाता है। आप DRL को एक वीडियो गेम चरित्र के रूप में देख सकते हैं जो बार-बार खेलकर सीखता है। एक नियमित कंप्यूटर प्रोग्राम के विपरीत जो केवल एक सख्त नियम पुस्तिका का पालन करता है, यह चरित्र अलग-अलग चालें चलता है, अच्छा करने पर अंक (पुरस्कार) प्राप्त करता है, और अपनी गलतियों से सीखता है। समय के साथ, यह खेल में इतना कुशल हो जाता है कि यह उन पैटर्न को पहचान सकता है जिन्हें इंसान अनदेखा कर देते हैं। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम इस डिजिटल जासूस को एक वायरस के अस्त-व्यस्त, छिपे हुए व्यवहार को देखकर यह कहने के लिए सिखा सकते हैं कि, "आहा! यह निश्चित रूप से ग्रुप X द्वारा किया गया था"?
यह शोध पत्र उस विचार को लेता है और उसका परीक्षण करता है। शोधकर्ताओं ने डिजिटल "फिंगरप्रिंट्स" का एक विशाल संग्रह एकत्र किया—12 अलग-अलग APT समूहों के 3,500 से अधिक मैलवेयर (दुर्भावनापूर्ण सॉफ़्टवेयर) के नमूने। उन्होंने केवल यह नहीं देखा कि फाइलें कैसी दिखती थीं; उन्होंने एक सुरक्षित, अलग परिवेश (एक वायरस के लिए आभासी जेल) के भीतर फाइलों के व्यवहार को देखा। उन्होंने यह देखने के लिए 'कुक्कू सैंडबॉक्स' (Cuckoo Sandbox) नामक टूल का उपयोग किया कि वायरस कैसे चलते थे, फाइलें कैसे बदलते थे, और अन्य कंप्यूटरों से कैसे बात करते थे।
फिर, उन्होंने अपने DRL "जासूस" को इन व्यवहारों का विश्लेषण करने के लिए प्रशिक्षित किया। उन्होंने एक खेल तैयार किया जहाँ AI को यह अनुमान लगाना था कि किस समूह ने प्रत्येक वायरस बनाया था। यदि इसने सही अनुमान लगाया, तो इसे एक अंक मिला। यदि इसने गलत अनुमान लगाया, तो इसने एक अंक खो दिया। AI ने हजारों बार यह खेल खेला, जिससे वह प्रत्येक समूह की सूक्ष्म, अद्वितीय आदतों को पहचानने में सक्षम हुआ। परिणाम प्रभावशाली थे: DRL मॉडल ने नए, अनदेखे वायरसों पर 89.27% बार सही अनुमान लगाया।
यह देखने के लिए कि क्या यह नया जासूस वास्तव में पुराने जासूसों से बेहतर था, शोधकर्ताओं ने इसकी तुलना पांच अन्य मानक कंप्यूटर विधियों (जैसे डिसीजन ट्री और सपोर्ट वेक्टर क्लासिफायर) से की। पुरानी विधियाँ ठीक थीं, जो 71% और 82% के बीच सटीकता प्राप्त करती थीं, लेकिन DRL जासूस स्पष्ट रूप रूप से उन सभी से बेहतर प्रदर्शन करते हुए 89.27% के स्तर तक पहुँच गया। शोध पत्र सुझाव देता है कि यह दृष्टिकोण विशेष रूप से इन साइबर हमलों की जटिल, परिवर्तनशील प्रकृति को संभालने के लिए अच्छा है, जहाँ पुराने नियम अक्सर विफल हो जाते हैं।
हालाँकि, लेखक इसे एक जादुई समाधान (मैजिक बुलेट) कहने में सावधान हैं। वे बताते हैं कि यह सुपर-स्मार्ट AI संसाधनों का भूखा है; इसे प्रभावी ढंग से सीखने के लिए बहुत अधिक कंप्यूटिंग पावर और डेटा की भारी मात्रा की आवश्यकता होती है। वे यह भी नोट करते हैं कि जबकि मॉडल उस डेटा में पैटर्न खोजने में उत्कृष्ट है जिसे उन्हें खिलाया गया है, वास्तविक दुनिया अव्यवस्थपूर्ण है। शोध पत्र निष्कर्ष निकालता है कि हालांकि DRL इन डिजिटल जासूसों को पकड़ने के लिए एक शक्तिशाली नया उपकरण है, हमें अभी भी इसे अधिक कुशल बनाने और सुरक्षा में AI के उपयोग से जुड़े नैतिक प्रश्नों को संभालने की आवश्यकता है। यह एक आशाजनक कदम है, जो बताता है कि बुरे लोगों के व्यवहार से सीखकर, हम अंततः उन्हें पहले से कहीं अधिक तेज़ी और सटीकता से बेनकाब कर पाएंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।