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

Ruslan Edeev

2026

Полный текст Открытый доступ: Hybrid Метаданные (CSL-JSON)

DOI 10.51885/3107-2755_jisc_2026_1_1

Достоверность данных 70 средняя

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

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.