اطلاعات، در عصر امروز، یکی از با ارزش¬ترین اما آسیب پذیرترین دارایی¬ها است. تهدید دائمی آسیب جدی به زیرساخت¬های ناشی از بدافزارهای پیچیده در حال تکامل وجود دارد. تکنیک¬ها، روندها و استراتژی های مختلفی برای کاهش تهدیدات ناشی از کدهای مخرب پیشنهاد شده است. این روش‌ها ممکن است از نوع بدوی تشخیص بدافزار بر اساس تجزیه و تحلیل آماری گرفته تا روش‌های مبتنی بر یادگیری ماشین و به‌ویژه شبکه‌های عصبی عمیق باشد. شخیص بدافزار با تکنیک های مختلفی انجام می-شود. بسیاری از محققان شیوه های مختلف برای کشف و شناسایی بدافزار را بررسی کرده اند که روشهای یادگیری عمیق دارای کارایی بیشتری است. تشخیص بدافزار از این جهت با روشهای یادگیری عمیق مهم است که روشهای یادگیری عمیق توانایی تشخیص الگوهای پیچیده بدافزار را دارد. در روش پیشنهادی برای تشخیص بدافزار یک روش ترکیبی هوش گروهی و یادگیری عمیق است. در روش پیشنهادی در ابتدا ویژگی¬های مهم با الگوریتم هوش گروهی عقاب طلایی انتخاب شده و تحویل LSTM می¬شود تا بدافزارها را با دقت بیشتری تشخیص دهد. آزمایشات نشان می¬دهد در مجموعه داده IoT-23 دقت، حساسیت و صحت روش پیشنهادی برای تشخیص بدافزار برابر 98.24%، 97.63% و 96.52% است و روش پیشنهادی نسبت به روشهای مانند RNN، LSTM و GRU دقت بیشتری در تشخیص بدافزار دارد.