یک مدل تصادفی برای ارزیابی انتشار بدفزارهای فعال مبتنی بر روش گاوس سایدل

تحقیقات مرتبط با مدلسازی انتشار بدافزارهای فعال تاکنون نتوانستهاند با دقت کافی نحوه انتشار آنها را توصیف کنند: نخست اینکه فرضیه هایی که مدلهای انتشار مبتنی بر آنها ساخته شدهاند فرضیه هایلزوما دقیق و معتبری در همه محیطها نیستند. دلیل دوم اینکه روشهای مدلسازی انتشار موجود نمیتوانند پیچیدگی ها و پویایی فعالیت بدافزارهای فعال را به خوبی توصیف کنند. روش مدلسازی تصادفی برخالف مدلهای دیگر قادر به درک رفتار پویا و تصادفی بدافزارهای فعال است. با تحلیل مدل تصادفی معیارهایی که مشخص کننده ی نحوه، شدت فعالیت و انتشار بدافزارهای فعال هستند ارزیابی میشوند و بر اساس این معیارها رفتار آینده ی بدافزارهای فعال را میتوان پیش بینی کرد و روشهای مناسب برای کشف، جلوگیری و محدودسازی فعالیت بدافزارهای فعال را پیشنهاد داد. جهت مقابله با انتشار بدافزارهای فعال لازم است که نحوه انتشار آنها مدل شده و سپس راه حلهایی ارائه شود. یک مدل درست و دقیق انتشار بدافزار فعال، دیدی بر رفتار بدافزارهای فعال ارائه میدهد و به شناسایی ضعفهای انتشار بدافزار فعال کمک میکند، ضعفهای چرخه ای انتشار را مشخص کرده و پیشبینی صحیحی از تخمین خسارت ناشی از تهدید بدافزارهای فعال آینده و جدید ارائه خواهد کرد. مدلهای تصادفی بهصورت گسترده در کاربردهای مختلف مورد استفاده قرار گرفتهاند و در زمینه مدل کردن و پیشبینی رفتار پیمایشی بدافزارهای فعال نیز کاربرد دارند. این مدلها از لحاظ ساختار ریاضی بسیار قدرتمند هستند و به همین دلیل مبانی نظری بسیاری از کاربردها را شکل داده اند. در این مقاله یک مدل تصادفی مبتنی بر روش گاوس سایدل برای ارزیابی انتشار بدافزارهای فعال ارائه میشود. نتایج نشان میدهد در این روش در حالت پایدار میزبانها با حتمال 0.41% مستعد، با احتمال 0.31% آلوده و با احتمال 0.28% بازیابی میشوند. روش پیشنهادی به احتماالت دنیای واقعی و فرضیه هایی که در مورد انتشار و درمان بیماریهای واگیر وجود دارد نزدیکتر است.