मालवेयर का पता लगाना और Amazon रिकॉग्निशन के साथ वर्गीकरण

एक के अनुसार लेख साइबरसिक्युरिटी वेंचर्स द्वारा, रैनसमवेयर (एक प्रकार का मैलवेयर जो उपयोगकर्ताओं को उनके डेटा तक पहुंचने से रोक सकता है, जब तक कि वे फिरौती का भुगतान नहीं करते हैं) के कारण होने वाली क्षति 57 की तुलना में 2021 में 2015 गुना बढ़ गई। USD) 265 तक सालाना। लेखन के समय, रैंसमवेयर हमलों से वित्तीय टोल 2031 से ठीक ऊपर आता है^th उनके द्वारा रैंक किए गए देशों की सूची में स्थिति सकल घरेलू उत्पाद में.

मैलवेयर द्वारा उत्पन्न खतरे को देखते हुए, मैलवेयर हमलों का पता लगाने और उन्हें रोकने के लिए कई तकनीकों का विकास किया गया है। आज उपयोग की जाने वाली दो सबसे आम तकनीकें हैं सिग्नेचर- और बिहेवियर-बेस्ड डिटेक्शन।

हस्ताक्षर-आधारित पहचान ज्ञात दुर्भावनापूर्ण वस्तु के बारे में एक विशिष्ट पहचानकर्ता स्थापित करती है ताकि भविष्य में वस्तु की पहचान की जा सके। यह किसी फ़ाइल से जुड़े कोड का एक अनूठा पैटर्न हो सकता है, या यह किसी ज्ञात मैलवेयर कोड का हैश हो सकता है। यदि नई वस्तुओं को स्कैन करते समय एक ज्ञात पैटर्न पहचानकर्ता (हस्ताक्षर) की खोज की जाती है, तो वस्तु को दुर्भावनापूर्ण के रूप में फ़्लैग किया जाता है। हस्ताक्षर-आधारित पहचान तेज है और इसके लिए कम गणना शक्ति की आवश्यकता होती है। हालाँकि, यह बहुरूपी मैलवेयर प्रकारों के विरुद्ध संघर्ष करता है, जो पता लगाने से बचने के लिए लगातार अपना रूप बदलते रहते हैं।

व्यवहार-आधारित पहचान उनके व्यवहार के आधार पर संदिग्ध वस्तुओं का न्याय करती है। एंटी-मैलवेयर उत्पादों द्वारा जिन कलाकृतियों पर विचार किया जा सकता है, वे हैं प्रोसेस इंटरैक्शन, डीएनएस क्वेरीज़ और ऑब्जेक्ट से नेटवर्क कनेक्शन। यह तकनीक सिग्नेचर-बेस्ड की तुलना में पॉलीमॉर्फिक मालवेयर का पता लगाने में बेहतर प्रदर्शन करती है, लेकिन इसमें कुछ कमियां भी हैं। यह आकलन करने के लिए कि कोई वस्तु दुर्भावनापूर्ण है या नहीं, उसे होस्ट पर चलना चाहिए और एंटी-मैलवेयर उत्पाद का पता लगाने के लिए पर्याप्त कलाकृतियाँ उत्पन्न करनी चाहिए। यह ब्लाइंड स्पॉट मालवेयर को होस्ट को संक्रमित करने और नेटवर्क के माध्यम से फैलने दे सकता है।

मौजूदा तकनीकें परिपूर्ण से बहुत दूर हैं। नतीजतन, नई वैकल्पिक तकनीकों को विकसित करने के उद्देश्य से अनुसंधान जारी है जो मैलवेयर से निपटने के लिए हमारी क्षमताओं में सुधार करेगा। एक नवीन तकनीक जो हाल के वर्षों में उभरी है वह छवि-आधारित मैलवेयर पहचान है। यह तकनीक एक गहन-शिक्षण नेटवर्क को प्रशिक्षित करने का प्रस्ताव करती है जिसमें ज्ञात मैलवेयर बायनेरिज़ को ग्रेस्केल छवियों में परिवर्तित किया जाता है। इस पोस्ट में, हम दिखाते हैं कि छवि-आधारित मैलवेयर पहचान कैसे करें अमेज़ॅन रेकग्निशन कस्टम लेबल.

समाधान अवलोकन

एक बहु-वर्गीकरण मॉडल और एक मैलवेयर-डिटेक्शन मॉडल को प्रशिक्षित करने के लिए, हम पहले प्रशिक्षण और परीक्षण डेटासेट तैयार करते हैं जिसमें फ्लडर, एडवेयर, स्पाईवेयर इत्यादि जैसे विभिन्न मैलवेयर प्रकार के साथ-साथ सौम्य वस्तुएं होती हैं। फिर हम पोर्टेबल एक्जीक्यूटेबल (पीई) ऑब्जेक्ट को ग्रेस्केल इमेज में बदलते हैं। इसके बाद, हम Amazon Recognition के साथ इमेज का उपयोग करके एक मॉडल को प्रशिक्षित करते हैं।

Amazon रिकॉग्निशन एक ऐसी सेवा है जो आपके एप्लिकेशन पर विभिन्न प्रकार के विज़ुअल विश्लेषण करना आसान बनाती है। पहचान छवि लाखों छवियों को खोजने, सत्यापित करने और व्यवस्थित करने के लिए शक्तिशाली एप्लिकेशन बनाने में आपकी सहायता करती है।

अमेज़ॅन रिकॉग्निशन कस्टम लेबल रेकग्निशन की मौजूदा क्षमताओं का निर्माण करता है, जो पहले से ही कई श्रेणियों में लाखों छवियों पर प्रशिक्षित हैं।

अमेज़ॅन रिकॉग्निशन कस्टम लेबल्स एक पूरी तरह से प्रबंधित सेवा है जो उपयोगकर्ताओं को लाखों छवियों का विश्लेषण करने देती है और छवि वर्गीकरण, चेहरे की पहचान और सामग्री मॉडरेशन सहित कई अलग-अलग मशीन लर्निंग (एमएल) समस्याओं को हल करने के लिए उनका उपयोग करती है। पर्दे के पीछे, Amazon Recognition एक गहन शिक्षण तकनीक पर आधारित है। यह सेवा कनवल्शन न्यूरल नेटवर्क (सीएनएन) को नियोजित करती है, जो एक बड़े लेबल वाले डेटासेट पर पूर्व-प्रशिक्षित है। इस तरह के जमीनी सच्चाई के डेटा के संपर्क में आने से, एल्गोरिथ्म कई अलग-अलग डोमेन से छवियों में पैटर्न को पहचानना सीख सकता है और कई उद्योग उपयोग-मामलों में इसका उपयोग किया जा सकता है। चूंकि AWS मॉडल आर्किटेक्चर के निर्माण और रखरखाव का स्वामित्व लेता है और कार्य के लिए एक उपयुक्त प्रशिक्षण पद्धति का चयन करता है, इसलिए उपयोगकर्ताओं को प्रशिक्षण कार्यों के लिए आवश्यक बुनियादी ढाँचे के प्रबंधन में समय व्यतीत करने की आवश्यकता नहीं होती है।

समाधान वास्तुकला

निम्नलिखित आर्किटेक्चर आरेख समाधान का एक सिंहावलोकन प्रदान करता है।

समाधान का उपयोग कर बनाया गया है AWS बैच, AWS फरगेट, तथा अमेज़ॅन रेकग्निशन. AWS बैच आपको Fargate पर सैकड़ों बैच कंप्यूटिंग कार्य चलाने देता है। फारगेट दोनों के साथ संगत है अमेज़न इलास्टिक कंटेनर सेवा (Amazon ECS) और अमेज़ॅन इलास्टिक कुबेरनेट्स सेवा (अमेज़ॅन ईकेएस). Amazon रिकॉग्निशन कस्टम लेबल आपको मैलवेयर का पता लगाने और विभिन्न मैलवेयर श्रेणियों को वर्गीकृत करने के लिए कस्टम मॉडल को प्रशिक्षित करने के लिए कंप्यूटर विज़न के लिए AutoML का उपयोग करने देता है। AWS स्टेप फ़ंक्शंस का उपयोग डेटा प्रीप्रोसेसिंग को ऑर्केस्ट्रेट करने के लिए किया जाता है।

इस समाधान के लिए, हम प्रीप्रोसेसिंग संसाधन बनाते हैं एडब्ल्यूएस CloudFormation. एडब्ल्यूएस बैच, फारगेट और स्टेप फंक्शंस के लिए क्लाउडफॉर्मेशन स्टैक टेम्प्लेट और सोर्स कोड उपलब्ध हैं गिटहब रिपोजिटरी.

डेटासेट

इस उदाहरण में मॉडल को प्रशिक्षित करने के लिए, हमने दुर्भावनापूर्ण और सौम्य निकालने के लिए निम्नलिखित सार्वजनिक डेटासेट का उपयोग किया पोर्टेबल निष्पादन योग्य (पीई):

हम आपको डेटासेट दस्तावेज़ों को ध्यान से पढ़ने के लिए प्रोत्साहित करते हैं (सोफोस/रिवर्सिंग लैब्स रीडमे, पीई मालवेयर मशीन लर्निंग डेटासेट) मैलवेयर वस्तुओं को सुरक्षित रूप से संभालने के लिए। आपकी वरीयता के आधार पर, आप अन्य डेटासेट का भी तब तक उपयोग कर सकते हैं जब तक वे बाइनरी प्रारूप में मैलवेयर और सौम्य ऑब्जेक्ट प्रदान करते हैं।

इसके बाद, हम आपको समाधान के निम्नलिखित चरणों से रूबरू कराएंगे:

• प्रीप्रोसेस ऑब्जेक्ट्स और छवियों में कनवर्ट करें
• CloudFormation के साथ प्रीप्रोसेसिंग संसाधन परिनियोजित करें
• मॉडल चुनें
• मॉडल को प्रशिक्षित करें
• मॉडल का मूल्यांकन करें
• लागत और प्रदर्शन

प्रीप्रोसेस ऑब्जेक्ट्स और छवियों में कनवर्ट करें

हम ऑब्जेक्ट प्रीप्रोसेसिंग वर्कफ़्लो को ऑर्केस्ट्रेट करने के लिए स्टेप फ़ंक्शंस का उपयोग करते हैं जिसमें निम्नलिखित चरण शामिल हैं:

1. लेना मेटा.डीबी sqlite डेटाबेस से सोरेल - 20 मी S3 बकेट और इसे एक .csv फ़ाइल में बदलें। यह हमें .csv फ़ाइल को Fargate कंटेनर में लोड करने में मदद करता है और मैलवेयर ऑब्जेक्ट को संसाधित करते समय मेटाडेटा को संदर्भित करता है।
2. Sorel-20m S3 बकेट से वस्तुएँ लें और csv प्रारूप में वस्तुओं की एक सूची बनाएँ। इस चरण को निष्पादित करके, हम .csv फ़ाइलों की एक श्रृंखला बना रहे हैं जिन्हें समानांतर में संसाधित किया जा सकता है, जिससे प्रीप्रोसेसिंग में लगने वाला समय कम हो जाता है।
3. सोरेल-20एम एस3 बकेट से वस्तुओं को विभिन्न प्रकार के कार्यों के साथ छवियों में बदलें। AWS बैच ऐरे जॉब्स मैलवेयर ऑब्जेक्ट्स को छवियों में परिवर्तित करने के लिए सामान्य पैरामीटर साझा करते हैं। वे छवि रूपांतरण नौकरियों के संग्रह के रूप में चलते हैं जो कई मेजबानों में वितरित किए जाते हैं, और समवर्ती रूप से चलते हैं।
4. मालवेयर की श्रेणियों के अनुरूप नौकरियों की एक सरणी के साथ मॉडल प्रशिक्षण के लिए छवियों की पूर्व निर्धारित संख्या चुनें।
5. चरण 2 के समान, हम बिनाइन-160k S3 बकेट से सौम्य वस्तुएँ लेते हैं और csv प्रारूप में वस्तुओं की एक सूची बनाते हैं।
6. चरण 3 के समान, हम वस्तुओं को सौम्य-160k S3 बकेट से छवियों में परिवर्तित करते हैं जिसमें नौकरियों की एक सरणी होती है।
7. कस्टम लेबल प्रशिक्षण (250K छवियों) के लिए Amazon रिकॉग्निशन डिफ़ॉल्ट कोटा के कारण, मॉडल प्रशिक्षण के लिए सौम्य छवियों की पूर्व निर्धारित संख्या चुनें।
8. जैसा कि निम्नलिखित छवि में दिखाया गया है, छवियों को एक S3 बकेट में संग्रहीत किया जाता है जिसे पहले मैलवेयर और सौम्य फ़ोल्डरों द्वारा विभाजित किया जाता है, और फिर बाद में मैलवेयर को मैलवेयर प्रकारों द्वारा विभाजित किया जाता है।
   
   

क्लाउडफॉर्मेशन के साथ प्रीप्रोसेसिंग संसाधनों को तैनात करें

.. पूर्वापेक्षाएँ

जारी रखने से पहले निम्नलिखित पूर्वापेक्षाएँ आवश्यक हैं:

संसाधन परिनियोजन

CloudFormation स्टैक निम्नलिखित संसाधनों का निर्माण करेगा:

पैरामीटर्स

• STACK_NAME - क्लाउडफॉर्मेशन स्टैक नाम
• एडब्ल्यूएस_REGION – एडब्ल्यूएस क्षेत्र जहां समाधान तैनात किया जाएगा
• एडब्ल्यूएस_प्रोफाइल - नामांकित प्रोफ़ाइल जो AWS CLI कमांड पर लागू होगी
• ARTEFACT_S3_BUCKET - S3 बकेट जहां इंफ्रास्ट्रक्चर कोड स्टोर किया जाएगा। (बाल्टी को उसी क्षेत्र में बनाया जाना चाहिए जहां समाधान रहता है)।
• AWS_खाता - एडब्ल्यूएस खाता आईडी।

संसाधनों को तैनात करने के लिए निम्न आदेशों का उपयोग करें

सुनिश्चित करें कि डोकर एजेंट मशीन पर चल रहा है। तैनाती बैश स्क्रिप्ट का उपयोग करके की जाती है, और इस मामले में हम निम्नलिखित कमांड का उपयोग करते हैं:

bash malware_detection_deployment_scripts/deploy.sh -s '' -b 'malware-
detection--artifacts' -p  -r "" -a

यह उन स्थानीय कलाकृतियों को बनाता और तैनात करता है जिन्हें CloudFormation टेम्प्लेट (जैसे, Cloudformation.yaml) संदर्भित कर रहा है।

मॉडल को प्रशिक्षित करें

चूंकि अमेज़ॅन रिकॉग्निशन आपके लिए मॉडल प्रशिक्षण का ख्याल रखता है, कंप्यूटर दृष्टि या अत्यधिक विशिष्ट एमएल ज्ञान की आवश्यकता नहीं है। हालाँकि, आपको उचित रूप से लेबल की गई इनपुट छवियों से भरी बाल्टी के साथ Amazon Recognition प्रदान करना होगा।

इस पोस्ट में, हम कस्टम लेबल सुविधा के माध्यम से दो स्वतंत्र छवि वर्गीकरण मॉडल को प्रशिक्षित करेंगे:

1. मालवेयर डिटेक्शन मॉडल (द्विआधारी वर्गीकरण) - पहचान करें कि दी गई वस्तु दुर्भावनापूर्ण या सौम्य है
2. मैलवेयर वर्गीकरण मॉडल (बहु-श्रेणी वर्गीकरण) - किसी दिए गए दुर्भावनापूर्ण ऑब्जेक्ट के लिए मैलवेयर परिवार की पहचान करें

मॉडल प्रशिक्षण पूर्वाभ्यास

निम्नलिखित पूर्वाभ्यास में सूचीबद्ध चरण दोनों मॉडलों पर लागू होते हैं। इसलिए, आपको दोनों मॉडलों को प्रशिक्षित करने के लिए दो चरणों से गुजरना होगा।

1. में साइन इन करें एडब्ल्यूएस प्रबंधन कंसोल और Amazon Recognition खोलें एक ढ़ांचा जिस में आंगन की स्वरकुंजियां आदि लगि है.
2. बाएँ फलक में, चुनें कस्टम लेबल का उपयोग करें. Amazon Recognition Custom Labels लैंडिंग पेज दिखाया गया है।
3. Amazon Recognition Custom Labels लैंडिंग पेज से चुनें शुरू हो.
4. बाएँ फलक में, चुनें परियोजनाओं.
5. चुनें प्रोजेक्ट बनाएं.
6. In परियोजना का नाम, अपने प्रोजेक्ट के लिए एक नाम दर्ज करें।
7. चुनें प्रोजेक्ट बनाएं अपना प्रोजेक्ट बनाने के लिए।
8. में परियोजनाओं पेज, वह प्रोजेक्ट चुनें जिसमें आप डेटासेट जोड़ना चाहते हैं। आपकी परियोजना के लिए विवरण पृष्ठ प्रदर्शित होता है।
9. चुनें डेटासेट बनाएं। डेटासेट बनाएं पृष्ठ दिखाया गया है।
10. In कॉन्फ़िगरेशन प्रारंभ किया जा रहा है, चुनें एकल डेटासेट से प्रारंभ करें अमेज़ॅन रिकॉग्निशन को डेटासेट को प्रशिक्षण और परीक्षण में विभाजित करने दें। ध्यान दें कि आप प्रत्येक मॉडल प्रशिक्षण पुनरावृत्ति में विभिन्न परीक्षण नमूनों के साथ समाप्त हो सकते हैं, जिसके परिणामस्वरूप थोड़ा अलग परिणाम और मूल्यांकन मेट्रिक्स होते हैं।
11. चुनें अमेज़न S3 बाल्टी से छवियाँ आयात करें.
12. In एस३ यूआरआई, S3 बकेट स्थान और फ़ोल्डर पथ दर्ज करें। प्रीप्रोसेसिंग चरण से प्रदान की गई समान S3 बकेट का उपयोग दोनों डेटासेट बनाने के लिए किया जाता है: मालवेयर डिटेक्शन और मालवेयर वर्गीकरण। मालवेयर डिटेक्शन डेटासेट रूट की ओर इशारा करता है (यानी, s3://malware-detection-training-{account-id}-{region}/) S3 बकेट का, जबकि मैलवेयर वर्गीकरण डेटासेट मैलवेयर फ़ोल्डर की ओर इशारा करता है (अर्थात, s3://malware-detection-training-{account-id}-{region}/malware) S3 बकेट का।
13. चुनें फ़ोल्डर के आधार पर स्वचालित रूप से छवियों को लेबल संलग्न करें.
14. चुनें डेटासेट बनाएं. आपके प्रोजेक्ट के लिए डेटासेट पेज खुलता है।
15. पर ट्रेन का मॉडल पृष्ठ, चुनें ट्रेन का मॉडल. आपके प्रोजेक्ट के लिए Amazon रिसोर्स नेम (ARN) में होना चाहिए प्रोजेक्ट चुनें संपादन बॉक्स। यदि नहीं, तो अपने प्रोजेक्ट के लिए ARN दर्ज करें।
16. में क्या आप अपने मॉडल को प्रशिक्षित करना चाहते हैं? संवाद बॉक्स, चुनें ट्रेन का मॉडल.
17. प्रशिक्षण पूरा होने के बाद, मॉडल का नाम चुनें। मॉडल की स्थिति होने पर प्रशिक्षण समाप्त हो जाता है प्रशिक्षण_पूर्ण.
18. में मॉडल अनुभाग, चुनें मॉडल का प्रयोग करें मॉडल का उपयोग शुरू करने के लिए टैब।

अधिक जानकारी के लिए, Amazon रिकॉग्निशन कस्टम लेबल देखें आइए शुरू करते हैं मार्गदर्शक।

मॉडल का मूल्यांकन करें

जब प्रशिक्षण मॉडल पूर्ण हो जाते हैं, तो आप चयन करके मूल्यांकन मेट्रिक्स तक पहुँच सकते हैं मेट्रिक्स की जाँच करें मॉडल पेज पर। Amazon रिकॉग्निशन आपको निम्नलिखित मेट्रिक्स प्रदान करता है: F1 स्कोर, औसत सटीकता और समग्र रिकॉल, जिनका उपयोग आमतौर पर वर्गीकरण मॉडल के प्रदर्शन का मूल्यांकन करने के लिए किया जाता है। बाद वाले लेबल की संख्या पर औसत मीट्रिक हैं।

में प्रति लेबल प्रदर्शन अनुभाग में, आप प्रति लेबल इन मीट्रिक के मान प्राप्त कर सकते हैं. इसके अतिरिक्त, सही सकारात्मक, गलत सकारात्मक और गलत नकारात्मक के लिए मान प्राप्त करने के लिए, का चयन करें परीक्षा परिणाम देखें.

मालवेयर डिटेक्शन मॉडल मेट्रिक्स

दो लेबल (सौम्य और मैलवेयर) के साथ 199,750 छवियों के संतुलित डेटासेट पर, हमें निम्नलिखित परिणाम प्राप्त हुए:

• F1 स्कोर - 0.980
• औसत सटीकता - 0.980
• कुल मिलाकर रिकॉल - 0.980

मैलवेयर वर्गीकरण मॉडल मेट्रिक्स

130,609 लेबल (11 मालवेयर परिवार) के साथ 11 छवियों के संतुलित डेटासेट पर, हमें निम्नलिखित परिणाम प्राप्त हुए:

• F1 स्कोर - 0.921
• औसत सटीकता - 0.938
• कुल मिलाकर रिकॉल - 0.906

यह आकलन करने के लिए कि क्या मॉडल अच्छा प्रदर्शन कर रहा है, हम इसके प्रदर्शन की तुलना अन्य उद्योग बेंचमार्क के साथ करने की सलाह देते हैं जिन्हें समान (या कम से कम समान) डेटासेट पर प्रशिक्षित किया गया है। दुर्भाग्य से, इस पोस्ट के लेखन के समय, अनुसंधान के कोई तुलनात्मक निकाय नहीं हैं जो समान तकनीक और समान डेटासेट का उपयोग करके इस समस्या को हल करते हैं। हालाँकि, डेटा विज्ञान समुदाय के भीतर, 1 से ऊपर F0.9 स्कोर वाले मॉडल को बहुत अच्छा प्रदर्शन करने वाला माना जाता है।

लागत और प्रदर्शन

संसाधनों की सर्वर रहित प्रकृति के कारण, कुल लागत उस समय से प्रभावित होती है जब प्रत्येक सेवा का उपयोग किया जाता है। दूसरी ओर, प्रदर्शन को संसाधित किए जा रहे डेटा की मात्रा और अमेज़ॅन रिकॉग्निशन को प्रशिक्षण डेटासेट आकार फ़ीड द्वारा प्रभावित किया जाता है। हमारी लागत और प्रदर्शन अनुमान अभ्यास के लिए, हम निम्नलिखित परिदृश्य पर विचार करते हैं:

• सोरेल डेटासेट से 20 मिलियन वस्तुओं को सूचीबद्ध और संसाधित किया जाता है।
• पीई मालवेयर मशीन लर्निंग डेटासेट से 160,000 वस्तुओं को सूचीबद्ध और संसाधित किया जाता है।
• प्रशिक्षण S240,000 बकेट में लगभग 3 ऑब्जेक्ट लिखे गए हैं: 160,000 मालवेयर ऑब्जेक्ट और 80,000 सौम्य ऑब्जेक्ट।

इस परिदृश्य के आधार पर, मॉडल को प्रीप्रोसेस और तैनात करने की औसत लागत $510.99 USD है। आपके द्वारा मॉडल का उपयोग किए जाने वाले प्रत्येक घंटे के लिए आपसे $4 USD/h अतिरिक्त शुल्क लिया जाएगा। आप में विस्तृत लागत विश्लेषण पा सकते हैं आकलन के माध्यम से उत्पन्न एडब्ल्यूएस मूल्य निर्धारण कैलकुलेटर.

प्रदर्शन-वार, ये हमारे मापन के परिणाम हैं:

• प्रीप्रोसेसिंग प्रवाह को पूरा करने के लिए ~2 घंटे
• मैलवेयर का पता लगाने वाले मॉडल प्रशिक्षण को पूरा करने के लिए ~40 घंटे
• मालवेयर वर्गीकरण मॉडल प्रशिक्षण पूरा करने के लिए ~40 घंटे

साफ - सफाई

भविष्य के शुल्कों से बचने के लिए, रुकें और हटाना Amazon रिकॉग्निशन मॉडल, और इसके माध्यम से प्रीप्रोसेसिंग संसाधनों को हटा दें नष्ट करना लिखी हुई कहानी। स्क्रिप्ट को सफलतापूर्वक चलाने के लिए निम्नलिखित मापदंडों की आवश्यकता होती है:

• STACK_NAME – CloudFormation स्टैक नाम
• एडब्ल्यूएस_REGION - वह क्षेत्र जहां समाधान तैनात है
• एडब्ल्यूएस_प्रोफाइल - नामित प्रोफ़ाइल जो एडब्ल्यूएस सीएलआई कमांड पर लागू होती है

चलाने के लिए निम्न कमांड का उपयोग करें ./malware_detection_deployment_scripts/destroy.sh स्क्रिप्ट:

bash malware_detection_deployment_scripts/destroy.sh -s  -p
 -r 

निष्कर्ष

इस पोस्ट में, हमने प्रदर्शित किया कि Amazon रिकॉग्निशन का उपयोग करके मैलवेयर का पता लगाने और उसका वर्गीकरण कैसे किया जाता है। समाधान एक सर्वर रहित पैटर्न का पालन करते हैं, डेटा प्रीप्रोसेसिंग, ऑर्केस्ट्रेशन और मॉडल परिनियोजन के लिए प्रबंधित सेवाओं का लाभ उठाते हैं। हम आशा करते हैं कि यह पोस्ट मैलवेयर से निपटने के आपके चल रहे प्रयासों में आपकी मदद करेगी।

भविष्य की पोस्ट में हम इस पोस्ट में तैनात मॉडल का उपभोग करके मैलवेयर का पता लगाने का एक व्यावहारिक उपयोग मामला दिखाएंगे।

---

लेखक के बारे में

एडविन हॉलवाक्शिउ AWS व्यावसायिक सेवाओं के साथ एक वरिष्ठ वैश्विक सुरक्षा वास्तुकार हैं और साइबर सुरक्षा और स्वचालन के बारे में भावुक हैं। वह ग्राहकों को क्लाउड में सुरक्षित और आज्ञाकारी समाधान बनाने में मदद करता है। बाहर का काम, उन्हें यात्रा करना और खेलकूद पसंद है।

राहुल शौर्य AWS प्रोफेशनल सर्विसेज के साथ एक प्रिंसिपल डेटा आर्किटेक्ट है। वह AWS पर डेटा प्लेटफॉर्म और विश्लेषणात्मक एप्लिकेशन बनाने वाले ग्राहकों के साथ मिलकर मदद करता है और काम करता है। काम से बाहर, राहुल को अपने कुत्ते बार्नी के साथ लंबी सैर करना पसंद है।

ब्रूनो ढेफ्टो AWS प्रोफेशनल सर्विसेज के साथ एक ग्लोबल सिक्योरिटी आर्किटेक्ट है। वह AWS में ग्राहकों को सुरक्षित और विश्वसनीय आर्किटेक्चर बनाने में मदद करने पर केंद्रित है। काम के बाहर, वह नवीनतम प्रौद्योगिकी अद्यतन और यात्रा में रुचि रखता है।

नदीम माजिद AWS पेशेवर सेवाओं के भीतर एक डेटा वास्तुकार है। वह AWS पर अपने डेटा प्लेटफ़ॉर्म बनाने वाले ग्राहकों के साथ कंधे से कंधा मिलाकर काम करता है। काम से बाहर, नदीम टेबल टेनिस खेलता है, और फुटबॉल/सॉकर देखना पसंद करता है।