$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

악성코드로부터 빅데이터를 보호하기 위한 이미지 기반의 인공지능 딥러닝 기법
Image-based Artificial Intelligence Deep Learning to Protect the Big Data from Malware 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.54 no.2 = no.471, 2017년, pp.76 - 82  

김혜정 (경일대학교 사이버보안학과) ,  윤은준 (경일대학교 사이버보안학과)

초록
AI-Helper 아이콘AI-Helper

랜섬웨어를 포함한 악성코드를 빠르게 탐지하여 빅데이터를 보호하기 위해 본 연구에서는 인공지능의 딥러닝으로 학습된 이미지 분석을 통한 악성코드 분석 기법을 제안한다. 우선 악성코드들에서 일반적으로 사용하는 2,400여개 이상의 데이터를 분석하여 인공신경망 Convolutional neural network 으로 학습하고 데이터를 이미지화 하였다. 추상화된 이미지 그래프로 변환하고 부분 그래프를 추출하여 악성코드가 나타내는 집합을 정리하였다. 제안한 논문에서 추출된 부분 집합들 간의 비교 분석을 통해 해당 악성코드들이 얼마나 유사한지를 실험으로 분석하였으며 학습을 통한 방법을 이용하여 빠르게 추출하였다. 실험결과로부터 인공지능의 딥러닝을 이용한 정확한 악성코드 탐지 가능성과 악성코드를 이미지화하여 분류함으로써 더욱 빠르고 정확한 탐지 가능성을 보였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Malware, including ransomware to quickly detect, in this study, to provide an analysis method of malicious code through the image analysis that has been learned in the deep learning of artificial intelligence. First, to analyze the 2,400 malware data, and learning in artificial neural network Convol...

주제어

#Malware   #Artificial Intelligence   #Deep Learning   #Convolutional Neural Network   #Security  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 그러나 이러한 시도는 여전히 고차원의 특징을 학습시키는 경우 성능이 하락하는 기계학습 기법의 특성 때문에 이미지 전체를 특징으로서 사용하지 못하였다. 따라서 본 논문에서는 고차원의 이미지에 대해 자동으로 최적의 특징을 선택해 내는 인공지능 딥러닝 기반의 심층 컨볼루션 인공신경망을 사용하는 악성 코드 검사 시스템을 제안한다.
  • 본 논문에서는 인공지능의 딥러닝 방법으로 랜섬웨어를 포함한 악성코드를 학습하여 악성코드에 대한 패턴을 인식하고, 인식된 악성코드의 특징을 사용하여 이미지화하는 방식의 딥러닝 기반 악성코드 검사 시스템을 제안하고자 한다. 인공지능의 딥러닝을 이용하여 악성코드를 학습하고 악성코드의 일부분이 달라지더라도 비슷한 이미지가 형성되는 특성을 이용하여 새로운 방법의 악성코드 검사 방법을 제안하고자 한다.
  • 본 논문에서는 인공지능의 딥러닝 방법으로 랜섬웨어를 포함한 악성코드를 학습하여 악성코드에 대한 패턴을 인식하고, 인식된 악성코드의 특징을 사용하여 이미지화하는 방식의 딥러닝 기반 악성코드 검사 시스템을 제안하고자 한다. 인공지능의 딥러닝을 이용하여 악성코드를 학습하고 악성코드의 일부분이 달라지더라도 비슷한 이미지가 형성되는 특성을 이용하여 새로운 방법의 악성코드 검사 방법을 제안하고자 한다. 제안한논문의 구성은 다음과 같다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
악성바이러스의 공격에 대비하기 위한 고차원의 대책은 무엇인가? 악성바이러스의 공격에 대비하기 위해서는 바이러스 방지 프로그램을 이용하고, 파일에 대한 주기적 백업과 알 수 없는 메일에 첨부된 파일을 열지 않는 등의 기본적인 방법이 있지만 보다 정확하고 판단하기 쉬운 방법이 필요하다. 따라서 데이터베이스에 존재하는 링크된 파일의 헤더 정보와 해싱값 정보를 파악하고 탐색하여 악성코드를 찾아내는 기존의 해결법과는 달리 인공지능의 딥러닝 기법을 적용하고자 한다.
빅데이터의 활용에 있어 큰 장애물은 무엇인가? 빅데이터를 분석하여 데이터 속에 숨겨진 의미 있는 패턴을 파악하고 분석하여 미래를 예측하는 것이 가능하기 때문이다. 그러나 이러한 빅데이터의 활용에 있어 가장 장애가 되고 있는 악성코드의 공격과 같은 사이버보안 문제 또한 심각해지고 있다. 더구나 악성코드 가운데 랜섬웨어는 감염시킨 PC를 암호화하여 볼모로 돈을 요구하는 것으로서 보다 많은 사이버 공격을 받을 것으로 예상된다.
사물인터넷 시대의 특징은 무엇인가? 현대는 인공지능, 생명과학, 로봇기술 등 기업들의 제조업과 정보통신기술(ICT)을 융합한 빅데이터 기반의 4차 산업혁명 시대로서 새로운 시대를 선도하고 있다. 차세대 4차 산업혁명을 주도하기 위해서는 사람과 사물, 사물과 사물이 인터넷 통신망으로 연결되는 사물인터넷 시대에 막대한 빅데이터를 분석할 필요가 있다.빅데이터를 분석하여 데이터 속에 숨겨진 의미 있는 패턴을 파악하고 분석하여 미래를 예측하는 것이 가능하기 때문이다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. Luo, Xin, and Qinyu Liao, "Awareness Education as the key to Ransomware Prevention," Information Systems Security 16.4 pp. 195-202, 2007. 

    상세보기 crossref

  2. P. Vinod, R. Jaipur, V. Laxmi and M. Gaur, "Survey on malware detection methods," Proceedings of the 3rd hackers' workshop on computer and internet security,pp. 74-79, March 2009. 

  3. https://www.kaggle.com/c/malware-classification 

  4. A. Kumar, N. Sharma, A. Khanna and S. Gandhi, "Analysis of machine learning techniques used in malware classification in cloud computing environment," International journal of computer applications, Vol. 133, pp. 15-18, 2016. 

  5. M. Ahmadi, D. Ulyanov, S. Semenov, M. Trofimov and G. Giacinto, "Novel feature extraction, selection and fusion for effective malware family classification," Proceedings of the 6th ACM conference on data and application security and privacy, pp. 183-194, 2016. 

  6. L. Nataraj, S. Karthikeyan, G. Jacob and B. S. Manjunath, "Malware images: visualization and automatic classification," Proceedings of the 8th international symposium on visualization for cyber security, pp. 4, 2011. 

  7. Guyon and A. Elisseeff, "An introduction to variable and feature selection," Journal of machine learning research, vol. 3, pp. 1157-1182, 2003. 

  8. J. G. Dy and C. E. Brodley, "Feature selection for unsupervised learning," Journal of machine learning research, vol. 5, pp. 845-889 

    상세보기

  9. A. Krizhevsky, I. Sutskever and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, pp. 1097-1105, 2012. 

  10. T. N. Sainath, A. R. Mohamed, B. Kingsbury and B. Ramabhadran, "Deep convolutional neural networks for LVCSR," 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 8614-8618, 2013. 

  11. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov and A. Rabinovich, "Going deeper with convolutions," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-9, 2015. 

  12. N. Srivastava, G. E. Hinton, A. Krizhevsky, I. Sutskever and R. Salakhutdinov, "Dropout: a simple way to prevent neural networks from overfitting," Journal of Machine Learning Research, vol. 15, pp. 1929-1958, 2014. 

  13. D. R. Wilson and T. R. Martinez, "The general inefficiency of batch training for gradient descent learning," Neural Networks, vol. 16, pp. 1429-1451, 2013. 

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로