[논문]안드로이드 모바일 단말기를 위한 효율적인 악성앱 감지법

이혜림; 장수희; 윤지원

doi:10.13089/jkiisc.2014.24.4.617

안드로이드 모바일 단말기를 위한 효율적인 악성앱 감지법
Efficient Malware Detector for Android Devices 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.24 no.4, 2014년, pp.617 - 624

이혜림 (고려대학교 정보보호대학원) , 장수희 (고려대학교 정보보호대학원) , 윤지원 (고려대학교 정보보호대학원)

초록
AI-Helper

스마트폰 사용이 급증하였고 스마트폰에 탑재되는 OS 중 안드로이드가 차지하는 비중이 가장 높아졌다. 그러나 오픈소스로 제공되는 안드로이드의 특성이 악의적인 사용자들에게 유용하게 사용되어 스마트폰 사용자들의 프라이버시를 위협하고 있다. 이 논문에서 우리는 안드로이드 앱에서 요구하는 권한 정보를 사용하여 효율적인 악성앱 감지법을 제안한다. 이를 위하여 주성분 분석과 kNN 분류자를 사용하였으며, 새로운 앱들의 특성들을 분류자에 실시간으로 반영하기 위한 incremental kNN 분류자를 제안한다. 또한 이 분류자들의 정확률을 측정하기 위하여 k-묶음 교차 검증법을 사용하였다. 실험에 사용된 실제 악성앱 샘플을 얻기 위하여 Contagio에 요청하였으며 이를 이용하여 분류자의 정확률을 측정하였다.

Abstract ▼ AI-Helper

Smart phone usage has increased exponentially and open source based Android OS occupy significant market share. However, various malicious applications that use the characteristic of Android threaten users. In this paper, we construct an efficient malicious application detector by using the principle component analysis and the incremental k nearest neighbor algorithm, which consider an required permission, of Android applications. The cross validation is exploited in order to find a critical parameter of the algorithm. For the performance evaluation of our approach, we simulate a real data set of Contagio Mobile.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

앱이 사용자로부터 권한을 얻고 스마트폰에 다운되기 전에 악성앱을 거르는 과정이 필요하며 이를 통해 많은 보안 이슈들을 사전에 방지할 수 있다. 안드로이드 OS에서 앱을 다운받기 전에 얻을 수 있는 정보만을 가지고 어느 정도의 성능으로 앱 내의 악성 유무를 파악할 수 있는가를 알아보기 위하여 실험하였다.
이 논문에서는 앱을 다운받기 전의 정보를 사용하여 악성앱을 감지하는 방법을 소개한다. 우리의 실험 결과는 87 %의 정확도를 가지고 있다.
이 논문에서의 목적은 안드로이드 OS 기반의 스마트폰에서 앱을 다운받기 전에 해당 앱에 악의적인 목적이 있는지에 대한 여부를 감지하는 것이었다. 사용자가 앱을 다운받기 바로 직전에 이루어지는 권한에 대한 수락 단계는 앱 개발자의 입장에서 앱이 사용자의 개인 정보나 기기 자원들의 추가적인 사용을 위해 필수적으로 통과해야 하는 과정이다.

제안 방법

따라서 이 논문에서는 권한을 중심으로 특성 벡터를 추출한 뒤 kNN을 이용하여 분류하는 실험을 하였다. 가장 정확률이 높은 결과는 87 % 정도이다.
training과 testing을 위해서 10-fold cross validation 을 사용하였다. 또한 kNN과 incremental kNN 분류자의 정확률은 3.5절에서 제시한 수식 (9), (10)을 사용하여 측정하였다.
Suleiman[4]은 안드로이드 앱으로부터 apk 파일을 추출한 뒤 분석을 위해 역공학을 수행했다. 또한 베이지안 분류를 사용하여 그 정확도를 측정하였다. Anubis는 안드로이드 어플리케이션을 포함한 악성 코드 파일의 분석 보고서를 제공해 주는 툴이다[5].
향후 연구에서는 kNN 기반 감지기에서 정확률과 효율성을 높이기 위한 노력을 하려고 한다. 악의적인 성향을 가졌다는 것이 확실한 앱과 악의적인 성향을 갖지 않았다는 것이 확실한 앱, 또한 그 기준이 애매한 앱으로 분류하여 그 기준이 애매한 앱에 대해서 한 번 더 분석 과정을 거치도록 하는 체계를 생각해 보았다. 이를 위해서 그 세 분류에 대한 기준치와 추가적으로 첨가될 분석 방법에 대해 연구할 것이다.
앱으로부터 얻어진 특성 벡터의 좀 더 효율적인 사용을 위하여 주성분 분석을 통해 새로운 특성 벡터를 추출하였다[9]. 주성분 분석은 고차원 공간에 놓여있는 데이터들의 정보를 더 잘 나타낼 수 있는 축을 찾아 공간의 차원을 줄여보고자 하는 시도라고 할 수 있다.
어떤 앱의 클래스를 분류 하기 위하여 특성 벡터로부터 가장 가까운 k개의 특성 벡터들을 고르게 되는데 여기서 k의 개수와 특성 벡터에 나타나는 특성들 중에서 반영할 특성의 개수 fn(fn∈5, 10, 15, 20)을 변경해가면서 정확도를 측정하였다.
수집된 앱들은 각각의 권한들을 요구하는가의 여부에 따라 0 또는 1로 구성된 1*134 벡터를 특성 벡터로 가지게 된다. 이러한 얻어진 특성 벡터들에 주성분 분석을 사용하여 새로운 특성 백터들을 얻었다.
4는 kNN 분류자를 사용했을 때와 베이지안 분류자를 사용했을 때 각각의 정확률과 에러율을 나타내고 있다. 파란선이 나타내는 kNN 분류자에서 우리는 nearest neighbor의 개수 k마다 특성의 개수에 따른 정확률을 측정하여 평균을 내었다. 또한 빨간선이 나타내는 베이지안 분류자는 Suleiman[4]이 제안한 방법을 사용하였다.

대상 데이터

실험을 위해 사용된 앱의 apk(Android application package) 파일은 ‘Contagio mobile’이라는 사이트에 요청하여 그 샘플을 얻었다[11].
정상앱에 대한 정보는 안드로이드 기반 스마트폰에서 제공하는 ‘구글 플레이’에서 얻었으며 정상앱 내의 악의적인 요소가 없음을 좀 더 명확하게 하기 위하여 구글, 다음, 네이버, Adobe, 삼성 등 알려진 회사가 출처인 앱으로 선정하였다. 이렇게 악성앱 164개, 정상앱 113개를 수집하였다.
정상앱에 대한 정보는 안드로이드 기반 스마트폰에서 제공하는 ‘구글 플레이’에서 얻었으며 정상앱 내의 악의적인 요소가 없음을 좀 더 명확하게 하기 위하여 구글, 다음, 네이버, Adobe, 삼성 등 알려진 회사가 출처인 앱으로 선정하였다.

이론/모형

Incremental kNN 분류자에서 샘플 앱들 중 200개는 training과 testing 을 위해 또한 남은 앱들은 알고리즘을 러닝하여 무게 값을 수정하는데 사용하였다. training과 testing을 위해서 10-fold cross validation 을 사용하였다. 또한 kNN과 incremental kNN 분류자의 정확률은 3.
파란선이 나타내는 kNN 분류자에서 우리는 nearest neighbor의 개수 k마다 특성의 개수에 따른 정확률을 측정하여 평균을 내었다. 또한 빨간선이 나타내는 베이지안 분류자는 Suleiman[4]이 제안한 방법을 사용하였다.
이 샘플 중에는 유명 커피전문점이나 게임을 사칭하여 SMS trojan 방식으로 해당 스마트폰에 다운 받도록 유도하는 악성앱과 해당 스마트폰의 루팅권한을 강제 획득하는 DroidKungFu의 다양한 버전들이 포함되어 있다. 악성앱에서 권한에 대한 정보를 추출하기 위해 Anubis 툴을 이용하였다. 정상앱에 대한 정보는 안드로이드 기반 스마트폰에서 제공하는 ‘구글 플레이’에서 얻었으며 정상앱 내의 악의적인 요소가 없음을 좀 더 명확하게 하기 위하여 구글, 다음, 네이버, Adobe, 삼성 등 알려진 회사가 출처인 앱으로 선정하였다.

성능/효과

특성의 개수가 5개, 10개, 15개, 20개일 때, 평균을 나타내고 있는 행을 비교해보면 incremental kNN 분류자를 사용했을 때의 정확률이 기존 kNN 분류자를 사용했을 때의 정확률보다 정확률이 높다. 또한 반영된 특성의 개수가 10개 이상인 경우 각 열에서 k의 개수가 1일 때의 정확도가 가장 높다.
그림에서 incremental kNN을 사용하였을 때 전반적으로 정확률이 높아졌으나 k의 개수가 홀수일 때에는 오히려 정확률이 줄어들기도 하였다. 하지만 새롭게 들어오는 앱들의 특성을 적용하여 그 이 후의 앱을 분류할 때 그 정확도에 변화가 있었으며 전반적으로 향상되어 긍정적인 효과를 얻었다.

후속연구

악의적인 성향을 가졌다는 것이 확실한 앱과 악의적인 성향을 갖지 않았다는 것이 확실한 앱, 또한 그 기준이 애매한 앱으로 분류하여 그 기준이 애매한 앱에 대해서 한 번 더 분석 과정을 거치도록 하는 체계를 생각해 보았다. 이를 위해서 그 세 분류에 대한 기준치와 추가적으로 첨가될 분석 방법에 대해 연구할 것이다.
kNN 기반의 감지기는 분류 정확률이 상대적으로 상당히 높지는 않지만 빠르고 가볍기 때문에 스마트폰 내부에 탑재하는 것이 적합하다. 향후 연구에서는 kNN 기반 감지기에서 정확률과 효율성을 높이기 위한 노력을 하려고 한다. 악의적인 성향을 가졌다는 것이 확실한 앱과 악의적인 성향을 갖지 않았다는 것이 확실한 앱, 또한 그 기준이 애매한 앱으로 분류하여 그 기준이 애매한 앱에 대해서 한 번 더 분석 과정을 거치도록 하는 체계를 생각해 보았다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트폰에 사용되는 플랫폼에는 무엇이 있는가?	스마트폰에 사용되는 플랫폼에는 Android, iOS, Windows, Blackberry 등이 있다. 그 중에서 가장 많이 판매되고 사용되어지고 있는 플랫폼은 Android 이다.
	정적분석은 무엇인가?	정적분석은 파일의 metadata와 세부적인 코드 자체를 분석하는 방법이다. 동적분석은 에뮬레이터나 장비를 사용하여 파일을 실행시켜보아 그 행위나 동작을 관찰하는 방법이다.
	Anubis는 어떤 제약이 있는가?	Anubis는 안드로이드 어플리케이션을 포함한 악성 코드 파일의 분석 보고서를 제공해 주는 툴이다[5]. 이 툴은 정적분석과 동적분석을 모두 사용하였으며 파일들의 특성과 정보를 잘 나타내고 있지만 8MB 이하의 파일들만을 업로드 할 수 있는 제약이 있다. 앱을 분석하기 위해서는 앱을 다운받아야하며 정적분석을 위해서는 앱으로부터 apk 파일을 추출하는 과정이 필요하다.

참고문헌 (11)

"Gartner Says Smartphone Sales Grew 46.5 Percent in Second Quarter of 2013 and Exceeded Feature Phone Sales for First Time," Gartner, August, 2014
"Mobile threat report q4 2012," F-Secure, 2012
"NQ mobile 2012 security report," NQ mobile, 2012
S. Y. Yerima, S. Sezer, G. McWilliams and I. Muttik, "A new android malware detection approach using bayesian classification," Advanced Information Networking and Applications (AINA), 2013 IEEE 27th International Conference on. IEEE, pp.121-128, 2013.
C. Kolbitsch, Anubis: Analyzing unknown binaries. URL {http://anubis. iseclab.org}
A. Reina, A. Fattori and L. Cavallaro, "A system call-centric analysis and stimulation technique to automatically reconstruct android malware behaviors," EuroSec, April. 2013.
Android, Android developers. URL {http://developer.android.com}
A. P. Felt, E. Chin, S. Hanna, D. song and D. Wagner. "Android permissions demystified," Proceedings of the 18th ACM conference on Computer and communications security, ACM, pp. 627-638, Oct, 2011.
D. Barber, "Machine learning a probabilistic approach," 2006.
K. Forter, S. Monteleone, A. Calatroni, D. Roggen and G. Troster, "Incremental kNN classifier exploiting correct-error teacher for activity recognition," Machine Learning and Applications (ICMLA), 2010 Ninth International Conference on. IEEE, pp. 445-450, Dec. 2010.
Mila, Contagio mobile. URL {http://contagiominidump.blogspot.kr}

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

안드로이드 모바일 단말기를 위한 효율적인 악성앱 감지법
Efficient Malware Detector for Android Devices 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

안드로이드 모바일 단말기를 위한 효율적인 악성앱 감지법 Efficient Malware Detector for Android Devices 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

이혜림 (1) 장수희 (1) 윤지원 (38)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

안드로이드 모바일 단말기를 위한 효율적인 악성앱 감지법
Efficient Malware Detector for Android Devices 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper