APPLICATION OF EXPLAINABLE AI METHODS TO IMPROVE THE INTERPRETABILITY OF MALWARE DETECTION SYSTEMS

Ruslan Edeev

2026

Толық мәтін Ашық қол жеткізу: Hybrid Метадеректер (CSL-JSON)

DOI 10.51885/3107-2755_jisc_2026_1_1

Деректер сенімділігі 70 орташа

Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

Machine learning–based malware detection systems achieve high accuracy but often lack transparency, limiting their trustworthiness in cybersecurity operations. This study presents an interpretable malware detection framework that integrates a LightGBM classifier trained on the EMBER dataset with SHAP-based Explainable AI (XAI) techniques. Unlike prior works that apply explainability only post hoc, our framework embeds interpretability directly into the model pipeline without compromising predictive performance. The model achieved 97.35% accuracy and a ROC-AUC of 0.9963, confirming its high discriminative capability. SHAP analysis identified key influential features such as file entropy, import table size, and suspicious API usage, improving transparency in automated malware analysis and supporting more reliable decision-making in cybersecurity environments.