အကြောင်းအရာများ

1. ပထမဆုံး ဗိုင်းရပ်စ်များ
2. ဗိုင်းရပ်စ် scanner များ မည်သို့ အလုပ်လုပ်ပုံ
3. ဗိုင်းရပ်စ် Signatures ဆိုတာ ဘာလဲ
4. ဗိုင်းရပ်စ် စုံစမ်းထောက်လှမ်းခြင်း နည်းလမ်းများ
5. Bitdefender ရှိ Machine learning
6. အွန်လိုင်း ဗိုင်းရပ်စ် scanner များ၏ ဆိုးကျိုးများ
7. နိဂုံးချုပ်

လုံခြုံစွာ နေပါ

GravityZone Business Security

အိမ်တွင်းအသုံးပြုသူများ အတွက် Bitdefender

အွန်လိုင်း ဗိုင်းရပ်စ် scanner များ နှင့် ကွန်ပျူတာ ဗိုင်းရပ်စ် cleaner များ ဆိုတာ ဘာတွေလဲ ?

ဗိုင်းရပ်စ် scanner များသည် နည်းလမ်းမျိုးစုံဖြင့် အလုပ်လုပ်ကြသည်။ ယေဘုယျအကျဆုံးမှာ pattern matching ဖြစ်ပြီး scanner မှ ၎င်း၏ သိပြီးသား ဗိုင်းရပ်စ်များ၏ database ထဲတွင် ကိုက်ညီသည့် bytes အတွဲလိုက်တစ်ခု အတွက် ဖိုင်များအား ရှာဖွေပေးသည်။ ဤအရာမှ ဗိုင်းရပ်စ်များ၏ အဓိကအား ရှာဖွေပေးလိမ့်မည်။

၎င်းတို့ ကူးစက်သည့်အခါတိုင်းတွင် ၎င်းတို့၏ ကုဒ်အား မသိမသာ ပြောင်းရန် polymorphism ကဲ့သို့ နည်းလမ်းများ အသုံးပြုသည့် ဗိုင်းရပ်စ်များအား စုံစမ်းထောက်လှမ်းရန် scanner များသည်လည်း ပိုမို ရှုပ်ထွေးသော စုံစမ်းစစ်ဆေးသည့် နည်းလမ်းများကို အသုံးပြုကြရသည်။ ဤအရာတို့တွင် ဗိုင်းရပ်စ်အား စကားဝှက်ဖြည်ရန် polymorphic engine အတွက် စောင့်ကြည့်ရန် အချိန်နှင့်တပြေးညီ အတုအပ mode တစ်ခုထဲတွင် ဖိုင်များအား လုပ်ဆောင်စေခြင်း ပါဝင်သည်။ ဗိုင်းရပ်စ်များ တိုးပွားလာမှု နှင့် စုံစမ်းစစ်ဆေးရန် ကူးစက်နိုင်သည့်အရာများ ကျယ်ပြန့်လာမှု တို့နှင့်အတူ စဉ်ဆက်မပြတ်စေရန် ဗိုင်းရပ်စ်-scanner ရေးဆွဲသူ အများစုသည် ၎င်းတို့၏ scanner များကို မခြားမလပ် တိုးတက်အောင်လုပ်ဆောင်နေကြသည်။

အကြောင်းအရာများ

1. ပထမဆုံး ဗိုင်းရပ်စ်များ
2. ဗိုင်းရပ်စ် scanner များ မည်သို့ အလုပ်လုပ်ပုံ
3. ဗိုင်းရပ်စ် Signatures ဆိုတာ ဘာလဲ
4. ဗိုင်းရပ်စ် စုံစမ်းထောက်လှမ်းခြင်း နည်းလမ်းများ
5. Bitdefender ရှိ Machine learning
6. အွန်လိုင်း ဗိုင်းရပ်စ် scanner များ၏ ဆိုးကျိုးများ
7. နိဂုံးချုပ်

ပထမဆုံး ဗိုင်းရပ်စ်များ – ၎င်း အစပြုခဲ့သည့်အချိန်

ပထမဦးဆုံးသော ကွန်ပျူတာ ဗိုင်းရပ်စ်များအား ၁၉၈၀ နောက်ပိုင်းတွင် စတင်ရေးဆွဲခဲ့ကြသည်။ များမကြာမှီ ၎င်းတို့အား ထိန်းချုပ်နိုင်ခဲ့သည့် ပရိုဂရမ်များကိုလည်း ဖန်တီးခဲ့ကြသည်။ ၁၉၈၇ ခုနှစ်တွင် G DATA မှ ဦးဆောင်မှုပြုခဲ့ပြီး ကမ္ဘာပေါ်တွင် ပထမဆုံးသော ဗိုင်းရပ်စ် scanner အား ရေးဆွဲခဲ့သည်။ ဤဗိုင်းရပ်စ် scanner သည် ယခင် လုံခြုံရေး solution များအတွက် အုတ်မြစ်တစ်ခု ဖြစ်လာခဲ့သည်။ ၎င်းသည် ဗိုင်းရပ်စ်များ၊ worm များ၊ trojan များ နှင့် အခြား malware တို့အတွက် သင့်ကွန်ပျူတာအား စစ်ဆေးရန် signature များဟုခေါ်သည့်အရာများကို အသုံးပြုသည်။

ထိုကဲ့သို့ပင် ၎င်း၏ အများအစားမဟုတ်သော်လည်း ကျယ်ပြန့်လာသော အသုံးပြုမှုအား ၎င်း၏တရားဝင်မှုအပေါ် စောင့်ကြပ်ကြည့်ရန် ပြုလုပ်ခဲ့ကြသည်။ Adware ရောင်းချသူများမှ မေးခွန်းထုတ်စရာဖြစ်သော လုပ်ရပ်များအား စောင့်ကြပ်ကြည့်ရန် နှင့် ပိတ်ချရန် အစပြုခဲ့သည့် adware နှစ်များ ၂၀၀၅-၂၀၀၈ ၏ အထွတ်အထိပ်မတိုင်မီ အထိတော့ မဟုတ်ခဲ့ပေ။

ဗိုင်းရပ်စ် scanner များ ဘယ်လိုအလုပ်လုပ်ကြသလဲ ?

ဗိုင်းရပ်စ်များသည် host တစ်ခု လိုအပ်သည်၊ ထို့ကြောင့် ၎င်းတို့သည် ကွန်ပျူတာပေါ်တွင် ရှိနေပြီးဖြစ်သော ဖိုင်များအား ကူးစက်ကြသည်။ အခြားတဖက်တွင် Wom များမှာ host တစ်ခု နှင့် မကြာခဏ အသုံးပြုသူ၏ အကူအညီ မလိုပဲ ၎င်းတို့ကိုယ်တိုင် ဖြန့်ဝေနိုင်သည်။ Trojan horse များမှာ သမိုင်းဝင် သစ်သား မြင်းအရုပ် ကဲ့သို့ နည်းလမ်းတူညီစွာဖြင့် တရားဝင် ပေါ်နေစေသည့် ပရိုဂရမ်များထဲတွင် ၎င်းတို့၏ အန္တရာယ်ရှိရှိ ဦးတည်ချက်များအား မကြာခဏ ဖုံးကွယ်ထားကြသည်။ ထို့ကြောင့် malware ၏ အစိတ်အပိုင်းတစ်ခုချင်းဆီသည် ကွဲပြားစွာ လုပ်ဆောင်ပြီး မရေတွက်နိုင်သော ထပ်ဆင့် အဖွဲ့စုငယ်များအဖြစ် ခွဲထုတ်နိုင်သည်။ သို့သော် အန္တရာယ်ရှိ ပရိုဂရမ်များ၏ ကြီးမားသော ကျယ်ပြန့်မှု ကိုမဆိုထားဘဲ pattern များအား စုံစမ်းထောက်လှမ်းနိုင်သည်။ ၎င်းတို့သည် ၎င်းတို့၏ ကုဒ်ထဲတွင် အန္တရာယ်ရှိသွင်ပြင်ရပ်များအား ပြသပြီး ဗိုင်းရပ်စ် scanner သည် ဤတို့အား တိကျစွာ ခွဲခြားသတ်မှတ်ရန် ဤအရာတို့ကို အသုံးပြုနိုင်သည်။

ဗိုင်းရပ်စ် scanner သည် မသမာသူများထံမှ ထုတ်လွှတ်သည့် Trojan များ၊ spyware နှင့် အခြား ဆော့ဖ်ဝဲ အား ခြေရာခံရန် signature များအား အသုံးပြုသည်။ ဤအရာများသည် ယေဘုယျအားဖြင့် အနည်းငယ်အီလက်ထရောနစ်ရဲသားတစ်ဦး အသွင် ကွန်ပျူတာတစ်လုံးပေါ်တွင် ဖိုင်များအား scan ဖတ်ရန် ဗိုင်းရပ်စ် scanner မှ အသုံးပြုသည့် အသေးစိတ် ပရိုဖိုင်များနှင့် ကိုက်ညီကြသည်။ အကယ်၍ signature ထဲတွင် သိမ်းထားသည့် သွင်ပြင်လက္ခဏာများမှာ သံသယရှိဖွယ် ကျူးကျော်သူ၏ ထိုအရာများနှင့် ကိုက်ညီလျှင် ဗိုင်းရပ်စ် scanner သည် ချက်ချင်း “အမိဖမ်း” ပြီး malware အား “ဖမ်းဆီး”သည်။

ဗိုင်းရပ်စ် signature များ ဆိုတာ ဘာလဲ

ဒစ်ဂျစ်တယ်ခေတ်တွင် ပြဿနာဖြစ်ပေါ်စေသည့် တစ်ခုတည်းသော ကောင်းစွာဖော်ပြထားသည့် ရာဇဝတ်မှု ဆိုသည်မှာ မရှိပေ။ ထို့အတွက်ကြောင့် ယနေ့ signature ပရိုဖိုင်များမှာ မကြာခဏပင် malware အားထုတ်မှုတစ်ခုတည်းနှင့် မဆက်နွှယ်နေပေ။ Signature မှ သိပြီးသား အန္တရာယ်ရှိ သွင်ပြင်ရပ်များကို မြှုပ်ထားသည့် ကုဒ် ပါဝင်သော ဖိုင်များ၏ ကျယ်ဝန်းမှုတစ်ခုကို စုံစမ်းထောက်လှမ်းရန် တတ်စွမ်းနိုင်မှုကိုလည်း ပေးထားသည်။ ဤနေရာတွင် အဓိကစကားလုံးမှာ heuristics ဖြစ်သည်။

ဆိုက်ဘာရဲ မှာ အမည်းရောင်ဦးထုပ်တစ်လုံး၊ နှုတ်ခမ်းမွှေးထူထူ တစ်ခုနှင့် အသက် ၃၀ အရွယ် အမျိုးသားတစ်ဦးအား ရှာဖွေနေရုံ မဟုတ်ပေ။ ထိုသူမှာ မျက်နှာမွှေးအချို့နှင့် များစွာသောအခြားသွင်ပြင်များ နှင့်အတူ အသက် ၂၀ မှ ၄၀ အကြား အမျိုးသားတစ်ဦးကို ရှာဖွေနေသည်။ ဤ အထူး ဗိုင်းရပ်စ် signature အမျိုးအစားသည် ကွဲပြားသော အဓိကအချက်များအား အသေးစိတ် Wild West ပရိုဖိုင် ထံ သတ်မှတ်ပေးသည်။ ပရိုဖိုင်မှ အနည်းအကျဉ်း၊ သို့သော်၊ အလွန်အသေးစိတ်သော သွင်ပြင်များအား စာရင်းပြုပေးနေစဉ်အတွင်း ပိုမို ကျယ်ပြန့်သည့် ဗိုင်းရပ်စ် signature တွင် တခုချင်းစီ မထင်ရှားသည့် ပုံမှန် အမှတ်များ အမြောက်အများ ပါဝင်သည်။ အလားတူ ဆိုက်ဘာရဲသည် ယေဘုယျအားဖြင့် မသမာသူတစ်ဦးကိုသာ သတ်မှတ်မည် မဟုတ်သော်လည်း signature တစ်ခု အသုံးပြုပြီး အန္တရာယ်ရှိဖိုင် ထောင်ပေါင်းများစွာအား မကြာခဏ ရှာဖွေနိုင်သည်။ အကယ်၍ သွင်ပြင်ရပ်များအား မထင်ရှားစွာ ဖော်ပြထားလျှင် ဖိုင်တစ်ဖိုင်အတွက် false positive စုံစမ်းထောက်လှမ်း တစ်ခုအဖြစ် သံသယရှိသဖွယ် မှားယွင်းစွာ သတ်မှတ်ခံရနိုင်ချေရှိသည်။

နည်းပညာ စကားအရဆိုလျှင် heuristic များမှာ တိကျသော malware အားထုတ်မှုတစ်ခုထံ ခေါ်ဆောင်မည့် ဗိုင်းရပ်စ် signature များကို အသုံးပြုခြင်းထက် တိကျမှုအားနည်းသော အချက်အလက်များအပေါ် အခြေခံထားသည်ဟု ဆိုလိုရာရောက်သည်။ ဤအရာတွင် ဥပမာ – malware အားထုတ်မှုများ အစုလိုက်တစ်ခုအား ပြသရန် သိထားသည့် ယေဘုယျ pattern များ၏ အသိပညာ ပါဝင်သည်။ ထို့အပြင် heuristic နည်းလမ်းသည် အခြားသွင်ပြင်များနှင့် ပေါင်းစည်းချိန် သီးခြား ကုဒ် element များမှ ပြဿနာများ ဖြစ်စေနိုင်စွမ်းရှိမရှိ စစ်ဆေးပေးသည်။ ဆက်လက်၍ heuristic ဖြစ်စဉ်တစ်ခုသည် အလွန်သီးခြားဖြစ်သော signature တစ်ခု မရနိုင်သေးချိန်မှာပင် ကြိုကြိုတင်တင် ဝင်ရောက်စွတ်ဖက် နိုင်သည်။

ဗိုင်းရပ်စ် စုံစမ်းထောက်လှမ်းခြင်း နည်းလမ်းများ

အချို့သောသူများမှ anti-virus ဆော့ဖ်ဝဲတွင် အချို့သော signature-scan ဖတ်ခြင်း နည်းပညာဖြင့် ပေါင်းဖွဲ့ထားသည်ကို နားလည်ကြပြီး အံ့အားသင့်စွာပင် လူတစ်ချို့မှာမူ ဤအရာက anti-virus နည်းပညာ ရပ်တန့်သွားသည့်နေရာဟု ယုံကြည်ကြသည်။ သင်မှ Bitdefender Antivirus ဆော့ဖ်ဝဲ လုပ်ဆောင် သကဲ့သို့ firewall တစ်ခု သို့မဟုတ် artificial intelligence အထောက်အပံ့ ကဲ့သို့သော သီးခြား၊ scanner မဟုတ်သော နည်းပညာရှိသည့် လုံခြုံရေး ဆော့ဖ်ဝဲ အစုအား ဖယ်ထုတ်ထားလျှင်ပင် မည်သည့် ခေတ်သစ် anti-virus မဆို ရိုးရှင်းသော signature scan လုပ်ခြင်းထက် သာသည့် ထပ်ဆင့် လုပ်ဆောင်မှု၏ အဆင့်အချို့ ရှိနေပေမည်။

၁။ သီးခြား scan ဖတ်ခြင်း

သီးခြား စုံစမ်းစစ်ဆေးခြင်း မှာ လူအမြောက်အများမှ anti-virus scanner များအား ထင်မှတ်ချိန် ၎င်းတို့တွေးထင်သည့်အရာ ဖြစ်သည်။ ၎င်းသည် သီးခြား characteristics အစုတစ်စုအားဖြင့် သိပြီးသား malware အား ရှာဖွေသည်။ Malware တစ်ခုချင်းစီသည် ၎င်း၏အရာ လုပ်ဆောင်ရန် ၎င်း၏ကိုယ်ပိုင်ကုဒ်အား အသုံးပြုသည်။ Malware အား သီးခြား စုံစမ်းထောက်လှမ်းရန် scanner သည် ထို signature အား အတော်အသင့် အထူးနေရာတစ်ခုတွင် ရှာဖွေသည်။ ဤနည်းမှာ မြန်ဆန်နိုင်သည်၊ အဘယ်ကြောင့်ဆိုသော် အကယ်၍ သုတေသီတစ်ဦးမှ အရာများအား မှန်ကန်စွာ လုပ်ဆောင်ထားလျှင် သန့်စင်သည့်ဖိုင်များအား လျင်မြန်စွာ ဖယ်ထုတ်ထားနိုင်သည်၊ သို့သော် ဤစုံစမ်းစစ်ဆေးမှုမျိုးအား ထိုးဖောက်ရန်လည်း အတော်အသင့် လွယ်ကူနိုင်သည်။ ကုဒ်အား ပြောင်းကာ၊ ၎င်းအားအခြားနေရာသို့ ရွှေ့ပြီး ၎င်းကိုစကားဝှက်ပြု၍ သို့မဟုတ် ၎င်းအား အခြားနည်းလမ်းဖြင့် ဖုံးကွယ်ပြီးလျှင် ခြိမ်းခြောက်မှုကို ဆက်လက် စုံစမ်းခြင်း မရနိုင်တော့ပေ။

Malware သည် ပိုမို အထာကျပြီး ပျံ့နှံ့လာသည်နှင့် သုတေသီများမှာ သိပြီးသား မကောင်းသည့် ဖိုင်များအား အလျင်အမြန် သတ်မှတ်ရန် ပိုမိုဖန်တီးနိုင်ရမည်ထက် နေ့စဉ် ရောက်ရှိလာသည့် နမူနာပေါင်း မြောက်မြားစွာဖြင့် အလုပ်ပိနေကြရသည်။ ထို့ကြောင့် နောက်တဆင့်မှာ “families” ဟုခေါ်သည့်အရာများအားဖြင့် နမူနာများအား အုပ်စုဖွဲ့ရန် ဖြစ်ပြီး ဆိုလိုသည်မှာ ၎င်းတို့သည် ဘုံ ကုဒ်-အခြေပြုတစ်ခု အားဖြင့် ဆက်နွှယ်နေကြသည်။

၂။ Generic Scan ဖတ်ခြင်း

Generic စုံစမ်းထောက်လှမ်းခြင်းသည် ဘုံ ပရိုဂရမ်ရေးဆွဲသူများအုပ်စု တစ်စုအားဖြင့် မကြာခဏ ဖန်တီးခံရသည့် သိပြီးသား families ၏ မျိုးကွဲများဖြစ်သည့် malware အား ရှာဖွေသည်။ Generic စုံစမ်းထောက်လှမ်းခြင်းတစ်ခုအတွင်း များသောအားဖြင့် ဘုံလုပ်ဆောင်မှု နှင့် မကြာခဏ ဘုံ signatures တို့ရှိကြပြီး စုံစမ်းထောက်လှမ်းခြင်းသည် သိပြီးသား malware နမူနာများ နှင့် သိပြီးသား ကုဒ်-အခြေပြု ပေါ်တွင် အခြေခံသည့် နမူနာအသစ်များအား ဖမ်းဆီးရန် ဆိုလိုခြင်းဖြစ်သည်။

Malware မှာ ယနေ့ခေတ်တွင် ငွေကြေးအလုံးစုံ ဖြစ်လာကတည်းမှစ၍ ငွေကြေးအတွက် အကြီးမားဆုံးသော အချီကြီး ရရှိရန် malware ရေးဆွဲသူများအတွက် အကောင်းဆုံးနည်းလမ်းမှာ ၎င်းတို့၏ ကုဒ်-အခြေပြုကို ပြန်လည်အသုံးပြုရန် ဖြစ်သည်။ ထိုသူတို့သည် အသေးအဖွဲလုပ်ဆောင်မှုအား ထပ်ဖြည့် သို့မဟုတ် ပြောင်းလဲနိုင်ပြီး သို့မဟုတ် ထိုသူတို့သည် သီးခြား စုံစမ်းထောက်လှမ်းမှုအား ထိုးဖောက်ရန် နီးစပ်ရာအရာများအား ရွှေ့ ပြောင်းလိုက်ရုံသာ လုပ်ပေမည်။ မြန်ဆန်ပြီး လွယ်ကူသောအသုံးပြုမှုအတွက် ခွင့်ပြုသည့် malware-ဖန်တီးသည့် kit များ သို့မဟုတ် open-source ဆော့ဖ်ဝဲ အား လွတ်လပ်စွာ ရရှိနိုင်သော မတူညီသည့် ဘုံ malware အမြောက်အမြား ရှိကြသည်။

ထို့ကြောင့် anti-virus scanner များအတွက် အကယ်၍ ၎င်းတို့မှ ရှေ့ဆက်ရန် မျှော်လင့်ချက်ရှိနေချင်သေးလျှင် ထို နာမည်ကြီး malware families သို့မဟုတ် သိပြီးသား အန္တရာယ်ရှိ အပြုအမူ တို့၏ ဘုံ ဂုဏ်သတ္တိများအား ရှာဖွေရန်မှာ အဓိပ္ပါယ်ရှိသွားသည်။ ဤ generic စုံစမ်းထောက်လှမ်းခြင်းများမှာ အတော်အသင့် ကျယ်ပြန့် သို့မဟုတ် အတော်အသင့် သီးခြား ဖြစ်နိုင်သည်။ ဥပမာ – ၎င်းသည် သိပြီးသား malware သို့မဟုတ် အသစ်သော ဖန်တီးမှုများထံ ထပ်ထည့်နိုင်သည့် သိပြီးသား အမြတ်ထုတ် ကုဒ် အတွက် scan ဖတ်နိုင်သည်။ သို့မဟုတ် ၎င်းသည် malware family တစ်ခုတည်းအားဖြင့်သာ အသုံးပြုထားသည့် သီးခြား အစုများအတွက် ရှာဖွေပေးနိုင်သည်။

၃။ Heuristic Scan ဖတ်ခြင်း (Virtual ပတ်ဝန်းကျင်များရှိ Behavioral Heuristic Analyzer)

Heuristic ခွဲခြမ်းစိတ်ဖြာခြင်းသည် signature-အခြေပြု solution များအားဖြင့် မတွေ့နိုင်သည့် ခြိမ်းခြောက်မှုအသစ်များအား စုံစမ်းထောက်လှမ်းရန် စနစ် သို့မဟုတ် ဆော့ဖ်ဝဲလ် တစ်ခု၏ အပြုအမူအား ကြည့်ပေးသည်။ အစပိုင်းတွင် ၎င်းသည် စနစ် သို့မဟုတ် ဆော့ဖ်ဝဲ အတွက် သာမန် လုပ်ဆောင်မှု၏ အခြေခံတစ်ခုအား တည်ဆောက်ပေးပြီးနောက် ကွဲပြားသည့်တစုံတရာ ဖြစ်ပေါ်ချိန် ၎င်းမှ မူကွဲတစ်ခုအနေဖြင့် ထွက်ပေါ်သည်။

Heuristic ခွဲခြမ်းစိတ်ဖြာခြင်းသည် polymorphic malware အား စုံစမ်းထောက်လှမ်းနိုင်သည့် malware စုံစမ်းထောက်လှမ်းခြင်း နည်းလမ်းများထဲမှ တစ်ခုဖြစ်သည်။ ထို့အပြင် ၎င်းသည် ခြိမ်းခြောက်မှုအသစ်များအပေါ် အခြေခံ၍ စည်းကမ်းများအား စဉ်ဆက်မပြတ် ပြောင်းလဲရန် ရေးဆွဲသူများကို ခွင့်ပြုပေးပြီး ၎င်းသည် malware ရေးဆွဲသူများထံ၌ ခြိမ်းခြောက်မှုများ မည်သို့သတိပေးသည့် အသေးစိတ်အချက်အလက်များကို မပေးပေ။ သို့သော် ကုဒ်မှ လုံလောက်စွာ ရှုပ်ထွေးလာချိန် heuristic ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ၎င်းအား စုံစမ်းထောက်လှမ်းရန် တတ်နိုင်လိမ့်မည် မဟုတ်ပေ။

4. Sandboxing

Sandbox များသည် သီးခြားဖြစ်သော virtual ပတ်ဝန်းကျင်တစ်ခုတွင် ဖြစ်နိုင်ချေ အန္တရာယ်ရှိ ကုဒ်အား စစ်ဆေးခြင်းဖြင့် malware ကို စုံစမ်းထောက်လှမ်းသည်။ ဤအရာသည် သုတေသီများအား ကုဒ်ကို run နေစဉ် စနစ် နှင့် ကွန်ယက်အပေါ် မည်သည့်ထိခိုက်မှုမျှ မဖြန့်ကျက်နိုင် သို့မဟုတ် မလုပ်နိုင်သော နေရာဖြစ်သည့် လုံခြုံစိတ်ချရသော ပတ်ဝန်းကျင်တစ်ခုတွင် ၎င်း၏ အမှန်အကန်အပြုအမူကို လေ့လာစောင့်ကြည့်ရန် ခွင့်ပြုပေးသည်။

Sandboxing သည် အသုံးဝင်သော malware စုံစမ်းထောက်လှမ်းခြင်းနည်းစနစ်တစ်ခု ဖြစ်နေရခြင်းမှာ ၎င်းသည် အလွန်အသေးစိတ်ခြင်းအမှုအရာတွင် ဖိုင်များ ပတ်ဝန်းကျင်များ၌ အမှန်စင်စစ် မည်သို့ပြုမူပုံအား သတ်မှတ်ပေးရန် တတ်စွမ်းနိုင်သည်။ ၎င်းသည် ခွဲခြမ်းစိတ်ဖြာသူများအား ပေးလာသည့်ခြိမ်းခြောက်မှုတစ်ခု၏ ဦးတည်ချက်များကို ရှာဖွေသတ်မှတ်ရန် ခွင့်ပြုခြင်းဖြင့် အပြုအမူများအပေါ် ထဲထဲဝင်ဝင်သတင်းအချက်အလက်များကိုလည်း ပေးနိုင်သည်။

သို့သော် sandbox နည်းလမ်းတွင် သိသာသော ချို့ယွင်းချက်အချို့ ရှိနေသည်။ ခေတ်သစ် ခြိမ်းခြောက်မှုပြုသူများသည် ၎င်းအား sandbox တစ်ခုထဲတွင် run နေကြောင်း သိသည်နှင့် သတိပေးခံရခြင်းထံမှ ရှောင်ရှားရန် ပတ်ဝန်းကျင်အစစ်တစ်ခုတွင် မတူကွဲပြားစွာ ပြုမူသော “sandbox-aware” malware အား ဖန်တီးလာကြသည်။ ထို့အပြင် အချို့သော malware မူကွဲများကို sandbox များထဲတွင် မမြင်နိုင်သောနေရာများ၌ အခွင့်ကောင်းယူရန် တည်ဆောက်ထားသည်။ Sandboxing သည် လုပ်ဆောင်မှုစိန်ခေါ်ခြင်း အချို့ကိုလည်း ဖန်တီးထားရခြင်းမှာ ၎င်းသည် အချိန်ယူသောကြောင့်ဖြစ်ပြီး ဖိုင်တိုင်းအား sandboxing လုပ်ရန်မှာ မဖြစ်နိုင်ချေ။

၅။ Artificial Intelligence / Machine-Learning အခြေပြု Static Analysis

Machine learning ပေါ်တွင် အခြေခံထားသော static analysis စုံစမ်းထောက်လှမ်းခြင်းနည်းစနစ်များသည် ကွန်ပျူတာများအား အသေးအဖွဲ နှင့် အန္တရာယ်ရှိ ဖိုင်များအကြား သတိပြုမိရန် နှင့် ခွဲခြားရန် လေ့ကျင့်ပေးသည်။ ၎င်းတို့သည် စက်အား မည်သည့်အရာက ကောင်းသည် နှင့် မည်သည့်အရာမှာ မကောင်းကြောင်း သင်ကြားပေးသောကြောင့် စက်မှာ တဖြည်းဖြည်း ၎င်းကိုယ်တိုင် ဖိုင်များအား စီစစ်နိုင်လာသည်။ ဤနည်းစနစ်များသည် (ဖိုင်အပြုအမူများ၊ ဖိုင်အား မည်မျှကြာ ဖွင့်ထားခြင်း၊ လမ်းကြောင်းပိတ်ဆို့မှု၊ နေ့စဉ်အပြုအမူ အစရှိသည့်) ကွဲပြားသော အပြုအမူများကို လက်ခံပြီး ဖိုင်၏သဘောသဘာဝ အပေါ် ၎င်းတို့အား နိဂုံးသတ်မှတ်ချက်တစ်ခုကို တွက်ချက်ပေးသည်။

ဤအရာမှာ မှန်ကန်သော ပြန်လည်လမ်းညွှန်မှုတွင် အလွန်အားပြင်းသည့် အဆင့်တစ်ဆင့် ဖြစ်သော်လည်း machine learning သည် malware စုံစမ်းထောက်လှမ်းခြင်းနှင့် တိုက်ထုတ်ခြင်းအတွက် ပြီးပြည့်စုံသော solution တစ်ခု မဟုတ်ပေ။ အမှန်စင်စစ် တိုက်ခိုက်သူများမှ machine learning စနစ်များအား malware နမူနာများကို အန္တရာယ်ကင်းသည်ဟု တလွဲသတ်မှတ်ရန် လေ့ကျင့်ပေးသည့်နေရာတွင် machine learning နည်းစနစ်များကို “တန်ပြန် တိုက်ခိုက်မှုများ” တွင် အသုံးပြုခြင်း ခံရနိုင်သည်။

၆။ Endpoint Detection and Response

Endpoint Detection and Response (EDR) သည် endpoint log များ နှင့် packet များမှ အချက်အလက်များ နှင့် အဖြစ်အပျက်များအား စောင့်ကြပ်ကြည့်ပေးပြီး မှတ်တမ်းတင်ပေးသည်။ စုဆောင်းရရှိသည့် အချက်အလက်များမှာ ကူးစက်ခံရပြီးနောက် မည်သို့ဖြစ်ပျက်သည်ကို ကြည့်ရန်၊ သိပြီးသား malware လှုံ့ဆော်မှုများအား IOCs အတွက် ရှာရန် နှင့် အဖွဲ့အစည်းများမှ တိုက်ခိုက်မှုများအား သတ်မှတ်၊ တုံ့ပြန်ရာတွင် ကူညီရန် ခွဲခြမ်းစိတ်ဖြာခြင်းခံရသည်။

၇။ အက်ပလီကေးရှင်း Whitelisting

Signature များအား blacklisting အဖြစ်သတ်မှတ်ထားစဉ် malware ပိတ်ဆို့ခြင်းထံ အခြား ချဉ်းကပ်မှုတစ်ခုမှာ whitelisting ဖြစ်သည်။ Whitelisting သည် ဖြစ်စဉ်တစ်ခုအား မည်သည့်အရာမှာ လုပ်ခွင့်ရှိခြင်း၏ ရှုထောင့်အားလုံးကို သတ်မှတ်၊ ထိန်းချုပ်ပေးပြီး အက်ပလီကေးရှင်းများအား ၎င်းတို့ လုပ်ရမည့်အရာမှအပ အရာအားလုံး လုပ်ဆောင်ခြင်းထံမှ တားမြစ်သည်။ ဤအရာမှာ zero-days အစရှိသော ခြိမ်းခြောက်မှုများအား တားဆီးပိတ်ဆို့ခြင်းအတွက် အကျိုးရှိသော်လည်း လုံးဝ လုံခြုံပြီး တရားဝင်သော အက်ပလီကေးရှင်းများအား run ချင်သော်လည်း မလုပ်နိုင်သည့် အသုံးပြုသူများအတွက်တော့ အလွန် စိတ်ပျက်ဖွယ် ဖြစ်နိုင်သည်။ ဤအတွက်ကြောင့် အက်ပလီကေးရှင်း whitelisting အား အလွန်အန္တရာယ်များသည့် ပတ်ဝန်းကျင်များတွင်သာ အသုံးပြုသင့်သည်။

Bitdefender နည်းပညာများတွင် အသုံးပြုသည့် Machine Learning

Bitdefender သည် ၎င်း၏လုပ်ငန်းရင်းနှီးမှုတစ်ခုလုံး တလျှောက်တွင် machine learning အား ပံ့ပိုးထားသည်။ Scanning engine, HyperDetect, Sandbox Analyzer, Content Control နှင့် Global Protective Network တို့မှာ machine learning အသုံးပြုထားသည့် Bitdefender နည်းပညာ၏ ဥပမာအချို့ ဖြစ်ကြသည်။ ဤအချက်အလက်မှတ်တမ်းသည် ခြိမ်းခြောက်မှု စုံစမ်းထောက်လှမ်းခြင်း (scanning engine) အား အခြေပြုသည့် Machine Learning ကို အဓိက အာရုံစိုက်ထားသည်။ ခြိမ်းခြောက်မှု စုံစမ်းထောက်လှမ်းခြင်း အခြေပြု Bitdefender Machine Learning သည် GravityZone Endpoint Security Platform ၏ တစိတ်တပိုင်း ဖြစ်သည်။ ၎င်းသည် pre-execution အဆင့်တွင် zero-day ခြိမ်းခြောက်မှုများရန်မှ ကာကွယ်မှုကို ပေးသည်။

Machine Learning နည်းပညာ၏ အရေးပါမှုအား နားလည်ခြင်း

Machine Learning သည် big data အား ခွဲခြမ်းစိတ်ဖြာရန်၊ သတင်းအချက်အလက်များအား အလိုအလျောက် ဆွဲထုတ်ရန် နှင့် ၎င်းထံမှ လေ့လာသင်ယူရန် ကွန်ပျူတာ ပရိုဂရမ်များ၏ တတ်စွမ်းနိုင်မှု ဖြစ်သည်။ ဆိုက်ဘာလုံခြုံရေးတွင် ၎င်းသည် အရေးကြီး ကဏ္ဍတစ်ရပ် အနေနှင့် ပါဝင်နိုင်ရခြင်းမှာ သည် object ၏ ယခင် မည်သည့်အသိဉာဏ်မှ မပါဘဲ object ၏ (ဥပမာ ဖိုင် သို့မဟုတ် URL တစ်ခု) အန္တရာယ်ရှိ‌ ဦးတည်မှု တစ်ခုကို ကြိုတင်ခန့်မှန်းနိုင်သည်။ Bitdefender ၏ စာရင်းဝင် machine learning နည်းပညာသည် ကောင်းစွာလေ့ကျင့်ထားသော algorithm များကို အသုံးပြုထားသည် – ၎င်းတို့ထဲမှ အချို့မှာ တိုက်ခိုက်မှုများ၏ သီးခြား ပုံစံများကို အထူးပြုထားပြီး အခြားမှာ zero-day ခြိမ်းခြောက်မှုများကို ကြိုတင်ခန့်မှန်း၊ စုံစမ်းထောက်လှမ်း နှင့် တားမြစ်ပိတ်ဆို့ရန် ပို၍ ယေဘုယျကျသည်။

သွင်ပြင်လက္ခဏာများ

Bitdefender ၏ malware အပြုအမူအပေါ် လေးလေးနက်နက် နားလည်ခြင်းသည် ၎င်းအား မှန်ကန်သော သွင်ပြင်ရပ်များ အစုကို ခွဲခြားသတ်မှတ်ရန် ခွင့်ပြုသည်။

• Lအန္တရာယ်ရှိ ဖိုင် နှင့် URL စုံစမ်းထောက်လှမ်းခြင်း အတွက် Local Machine Learning မော်ဒယ်များ နှင့် Cloud Machine Learning မော်ဒယ်များ။
• Perceptrons, Binary Decision Trees, Restricted Boltzmann Machines, Genetic Algorithms, Support Vector Machines, Artificial Neural Networks နှင့် false positives လျော့ချခြင်း အတွက် Custom algorithms တို့ ပါဝင်သည့် မော်ဒယ်ပေါင်း ၇၅,၀၀၀ ကျော်နှင့်အတူ များစွာသော Machine Learning algorithm များ၊ Static နှင့် Dynatic သွင်ပြင်လက္ခဏာပေါင်း ၄၀,၀၀၀ ကျော်။

သွင်ပြင်လက္ခဏာ ဆွဲထုတ်ခြင်း နည်းစနစ်များ

ဖိုင်များနှင့် URL များ၏ Static နှင့် Dynamic သွင်ပြင်လက္ခဏာများ ကို ဆွဲထုတ်ရန် Bitdefender သည် purpose-built emulator, unpacking, de-obfuscating နည်းစနစ်များကို အသုံးပြုသည်။

Machine Learning algorithms

Machine learning ရှိ algorithm တစ်ခုသည် အချက်အလက်မှ ထိုးထွင်းအသိ ရရှိသော ပရိုဂရမ်တစ်ခု ဖြစ်သည်။ Bitdefender သည် ကွဲပြားသော algorithm မြောက်မြားစွာဖြင့် ပံ့ပိုး၊ ပေါင်းစည်းထားသည်။ ဤ algorithm များတွင် အဆင့်မြင့် တိုက်ခိုက်မှုများရန်မှ ၎င်းတို့အား ပိုမို ခံနိုင်စွမ်းရှိစေရန် လုပ်ထားသည့် အထပ်လိုက်ဖြစ်နေသော လုပ်ဆောင်ချက်များ အဆင့်တစ်ခုလည်း ရှိသည်။ ၎င်းသည် စုံစမ်းထောက်လှမ်းခြင်း၏ တိကျမှုကို အရှိန်မြှင့်ပေးရန် custom machine learning algorithm များလည်း ပါဝင်သည်။

အချက်အလက် အစုများ

Machine learning တွင် အချက်အလက် အစုများမှာ machine learning မော်ဒယ်များ၏ လေ့ကျင့်ခြင်းနှင့် စစ်ဆေးခြင်းတို့တွင် အလွန် အရေးပါသည်။ Bitdefender သည် စုံစမ်းထောက်လှမ်းခြင်း ထိရောက်မှုနှင့်တိကျမှု အား သိသိသာသာ မြှင့်တင်ပေးရင်း machine learning မော်ဒယ်များကို လေ့ကျင့်၊ စမ်းသပ်ရန် လုပ်ငန်းနယ်ပယ်၏ အကြီးမားဆုံးသော သန့်ရှင်းပြီး အန္တရာယ်ရှိသော ဖိုင် နမူနာများ၏ database များထဲမှ တစ်ခုအား ပိုင်ဆိုင်ထားသည်။

အကျိုးကျေးဇူးများ

• အဆင့်မြင့်တိုက်ခိုက်မှုများအား စောစီးစွာ စုံစမ်းထောက်လှမ်းပြီး ချိုးဖောက်မှုများကို ကာကွယ်ကာ အဖြစ်အပျက် တုံ့ပြန်မှု ကုန်ကျစရိတ်များ နှင့် အားထုတ်မှုများအား လျော့ချပေးသည်
• ခြိမ်းခြောက်မှု-ရှာဖွေခြင်း ဝန်ကို လျော့ချပေးသည်
• Machine Learning သည် ဖိုင်အခြေပြု malware, trojan များ၊ လှို့ဝှက်ကုဒ် ခိုးယူသူများ၊ အမြတ်ထုတ်မှုများ၊ ရှုပ်ထွေးသော malware, ဦးတည်လာသောတိုက်ခိုက်မှုများ၊ script အခြေပြု တိုက်ခိုက်မှုများ၊ မျိုးကွဲ polymorphic malware, ransomware တို့ပါဝင်သည့် pre-execution အဆင့်တွင် zero-day ခြိမ်းခြောက်မှုများ၏ စုံစမ်းထောက်လှမ်းခြင်းနှုန်းကို ကြီးမားစွာ တိုးမြှင့်ပေးသည်
• Local machine learning မော်ဒယ်သည် အော့ဖ်လိုင်းစက်များ၏ ကာကွယ်ခြင်းကို သေချာစေသည်
• ၎င်းသည် အုပ်ချုပ်ရေးဆိုင်ရာ ဝန်ပိခြင်းကို ကြီးစွာ လျော့ချပေးခြင်းဖြင့် တစ်ခုတည်းသော ပေါင်းစည်းထားသည့် endpoint လုံခြုံရေး အေးဂျင့် တစ်ခု နှင့် ဘုံ အုပ်ချုပ်မှု platform ၏ အစိတ်အပိုင်း ဖြစ်သည်။ အသုံးပြုသူများမှ endpoint လုံခြုံရေး solution များ၏ ရောနှောမှုတစ်ခုကို ဖြန့်ကျက်ရန် မလိုအပ်ပေ။

အွန်လိုင်း ဗိုင်းရပ်စ် scanner များ၏ ဆိုးကျိုးများ

လုံခြုံရေး ရောင်းချသူ အယောက်တိုင်းနီးပါးသည် ၎င်း၏ ဝက်ဘ်ဆိုဒ်ပေါ်တွင် အခမဲ့ ဗိုင်းရပ်စ် scan တစ်ခုအား ပေးထားကြသော်လည်း ၎င်းတို့မှာ မည်သည့်အရာ၊ မည်သို့အလုပ်လုပ်ပုံ သို့မဟုတ် ဒေါင်းလုတ်လုပ်နိုင်သော လုံခြုံရေး ဆော့ဖ်ဝဲ ထက်အပြင် သို့မဟုတ် အစား ၎င်းတို့အား သင် အဘယ်ကြောင့်အသုံးပြုချင်ရခြင်း ဆိုသည့်အကြောင်းအရာများမှာ အမြဲ ရှင်းလင်းမှု မရှိပေ။

 အွန်လိုင်း ဗိုင်းရပ်စ် scanner များ၏ ဆိုးကျိုးများ

• Mအွန်လိုင်း scanner အများစုသည် အန္တရာယ်ပေးနိုင်သော ဆော့ဖ်ဝဲအား ဖယ်ရှားပေးလိမ့်မည် မဟုတ်သည့် စုံစမ်းစစ်ဆေးပေးသည့်အရာများသာ ဖြစ်ကြသည်
• သင့် browser ကိုယ်တိုင်ပင် သင့်စက်ပေါ်တွင် ဖိုင်အားလုံးအား ဝင်ရောက်ရယူခြင်း မလုပ်နိုင်ပေ (ထပ်ဆင့် ဆော့ဖ်ဝဲအား မည်သို့ပင်ဖြစ်စေ install လုပ်ရန် လိုအပ်ပေလိမ့်မည်)
• Browser များအတွက် scan လုပ်ခြင်းနှင့် ကူးစက်ခံ ဖိုင်များအား ဖယ်ရှားခြင်းအပေါ် အပြည့်အဝ တာဝန်ယူရန် မဖြစ်နိုင်ချေ
• အွန်လိုင်း ဗိုင်းရပ်စ် scanner များသည် တောင်းဆိုသည့်အပေါ်တွင်သာ အလုပ်လုပ်ပြီး ၎င်းတို့သည် သင့်အား ကူးစက်မှုအသစ်များရန်မှ ကာကွယ်ပေးလိမ့်မည် မဟုတ်ချေ

နိဂုံးချုပ်

အွန်လိုင်း ဗိုင်းရပ်စ် scanner အများအပြားရှိကြပြီး ၎င်းတို့အားလုံးသည် တောင်းဆိုသည့်အပေါ်တွင်သာ scan လုပ်ခြင်းအား ပံ့ပိုးပေးနိုင်ပြီး ကိစ္စအများစုတွင် ၎င်းသည် သင့်စက်ပေါ်တွင် ထပ်ဆင့် ဆော့ဖ်ဝဲအား install လုပ်ရန် လိုအပ်ပေလိမ့်မည်။

အရေးကြီးဆုံးမှာ ၎င်းတို့သည် scanner များသာဖြစ်ကြပြီး သင့်အား ကူးစက်မှုအသစ်များရန်မှ မကာကွယ်နိုင်ပေ၊ ထို့ကြောင့် သင့်စက်အား စဉ်ဆက်မပြတ် ကာကွယ်ပေးလိမ့်မည့် အမှန်အကန် antivirus ဆော့ဖ်ဝဲကိုသာ အသုံးပြုရန် အထူးအကြံပြုလိုပါသည်။

အကာအကွယ်အောက်တွင် နေပါ၊ ပြီးလျှင် Bitdefender antivirus ဆော့ဖ်ဝဲ ကိုအသုံးပြုပါ။

Bitdefender နှင့် ပတ်သက်၍ မည်သည့် မေးခွန်းများ သို့မဟုတ် အကြံပြုချက် ကိုမဆို ကျေးဇူးပြု၍ ကျွန်ုပ်တို့အဖွဲ့ထံ ဆက်သွယ်ပါ၊ ကျွန်ုပ်တို့မှ အကူအညီပေးရန် အတိုင်းထက်အလွန် ဝမ်းသာပါသည်။

ယနေ့ပင် ကျွန်ုပ်တို့ထံ ဆက်သွယ်ရန်