در حال حاضر رشد بیرویه تولید گونههای مختلف از یک خانواده بدافزار به عنوان یک تهدید امنیتی بزرگ در سیستمهای کامییوتری شناخته میشود، به گونهای که اکثر بدافزار نویسان با تکیه بر ابزارهای مبهمسازی همهروزه اقدام به تولید نسخه جدیدی از بدافزار خودمیکنند؛ طوری که همچنان همان رفتار سابق را به نمایش میگذارد ولی کد مربوط به آن از لحاظ نحوی امضای بایتی با نسخه ی اولیه متفاوت است. از این رو شناسایی این بدافزارهای ناشناخته با استفاده از کشفکنندهای مبتنی بر امضای کد برنامه غیرممکن است. به همین دلیل محققان به سراغ راهکارهای کشف بدافزار مبتنی بر رفتار رفتند تا بتوانند با مقایسه رفتاری، امکان شناساییبدافزارهای ناشناخته را فراهم سازند. در واقع راهکارهای کشف رفتاری با استخراج گراف وابستگی فراخوانهای سیستمی از بدافزارها، میتوانند رفتارهای مخرب را در قالب گرافهای که رفتار یا معنای برنامه را نشان میدهد، ذخیره کنند. اما اگرچه راهکارهای کشف مبتنی بر رفتار همواره راهحلهای امیدوارکنندهی برای مقابله با رشد بیرویه گونههای مختلف از یک خانواده بدافزار و شناساییبدافزارهای ناشناخته هستند ولی همچنان این راهکارها از نرخ خطای مثبت کاذب بالا در تشخیص بدافزار رنج مایبرند. در این مقاله، یک رویکرد جدید در کشف بدافزار مبتنی بر رفتار با استفاده از گرافکاوی ارائه کردهایم که با شناسایی و استخراج الگوهای رفتاریمخرب مبتنی بر فراوانی زیرگرافهای مشترک از داخل خانوادههای مختلف بدافزار، ویژگیهای ذاتی هر خانواده از بدافزار را شناساییمیکند. راهکار ارائه شده یک راهکار موثر در کشف بدافزار مبتنی بر رفتار است که توانسته است با صفر نگه داشتن نرخ خطای مثبت کاذب در کشف بدافزار، دقتی بالای 59 % را در کشف بدافزارهای ناشناخته داشته باشد.