$\require{mediawiki-texvc}$

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.

딥러닝을 이용한 악성코드탐지 연구동향 원문보기

情報保護學會誌 = KIISC review, v.27 no.3, 2017년, pp.20 - 26  

최선오 (한국전자통신연구원 정보보호연구본부 지능보안연구그룹) ,  김영수 (한국전자통신연구원 정보보호연구본부 지능보안연구그룹) ,  김종현 (한국전자통신연구원 정보보호연구본부 지능보안연구그룹) ,  김익균 (한국전자통신연구원 정보보호연구본부 지능보안연구그룹)

초록
AI-Helper 아이콘AI-Helper

인터넷의 발달로 인류가 많은 유익을 얻었지만 동시에 악성코드와 같은 또다른 문제를 겪고 있다. 이러한 악성코드를 막기 위해 시그니처 기반의 안티바이러스 프로그램이 많이 사용되고 있지만 악성코드의 변종이나 제로데이 악성코드를 막는데 한계를 가지고 있다. 이러한 문제를 해결하기 위하여 본 논문에서는 딥러닝을 이용하여 악성코드를 탐지하고 분류하는 연구동향에 대해 소개한다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 딥러닝을 이용한 악성코드탐지 연구 동향을 소개하였다. 딥러닝을 이용한 악성코드탐지는 크게 두 부분으로 이루어진다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
악성코드는 어떤 해악을 끼치는가? 인터넷의 발달로 인류가 많은 유익을 얻었지만 동시에 악성코드와 같은 또다른 문제를 겪고 있다. 악성코드는 컴퓨터를 파괴하기도 하고 컴퓨터의 정보를 유출하거나 랜섬웨어[17]와 같이 사용자의 파일을 암호화하고 금전적인 손해를 끼치기도 한다.
대부분의 안티바이러스 프로그램은 무엇을 기반으로 동작하고 있는가? 이러한 악성코드의 문제를 해결하기 위하여 다양한 종류의 안티바이러스 프로그램이 사용되고 있다. 대부분의 안티바이러스 프로그램은 시그니처나 휴리스틱 기반으로 동작하고 있다. 악성코드 분석가들이 악성코드를 분석하고 특별한 패턴을 시그니처로 안티바이러스엔진에 등록하면 안티바이러스 엔진이 사용자의 컴퓨터에서 해당 패턴을 인식하여 악성코드를 탐지하게 된다.
딥러닝을 이용한 악성코드 탐지는 크게 두 부분으로 이루어지는데 무엇인가? 딥러닝을 이용한 악성코드 탐지는 크게 두 부분으로 이루어진다. 첫째는 악성코드로부터 특징 데이터를 추출하는 것이다. 이것을 위하여 악성코드를 실행하여 API를 추출하기도 하고 정적분석을 통하여 opcode와 같은 어셈블리코드를 사용하기도 한다. 또는 악성코드를 이미지 파일로 간주하여 특징데이터를 추출하기도 한다. 두 번째는 앞에서 추출한 특징데이터를 가지고 딥러닝 모델을 적용하여 트레이닝하는 것이다. 여러 악성코드의 특징데이터를 사용하여 딥러닝 모델을 트레이닝하고 이후에 탐지 대상이 되는 악성코드를 딥러닝 모델에 적용하여 악성유무 및 해당 악성코드가 어떤 악성코드 패밀리에 속하는지 분류할 수 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (18)

  1. Matthew G. Schultz, Eleazae Eskin, and Erez Zadok, "Data Mining Methods for Detection of New Malicious Executables," IEEE International Conference on Security and Privacy, 2001. 

  2. Manning C.D., Raghavan, P., Schutze, H., "An Introduction to Information Retrieval," Cambridge University Press, 2009 

  3. Razvan Pascanu, Jack W. Stokes, Hermineh Sanossian, Mandy Marinescu, and Anil Thomas, "Malware Classification with Recurrent Networks," IEEE International Conference on Acoustics, Speech and Signal Processing, 2015 

  4. Wenyi Huang and Jack W. Stokes, "MtNet: A Multi-Task Neural Network for Dynamic Malware Classification," International Conference on Detection of Intrusions and Malware & Vulnerability Assessment, 2016 

  5. Daesung Moon, Sung Bum Pan, and Ikkyun Kim, "Host-based intrusion detection system for secure human-centric computing," Journal of Supercomputing, 2016 

  6. Daniel Gibert, "Convolutional Neural Networks for Malware Classification," Master Thesis, Universitat de Barcelona, 2016 

  7. George E. Dahl, Jack W. Stokes, Li Deng, and Dong Yu, "Large-Scale Malware Classification using Random Projections and Neural Networks," IEEE International Conference on Acoustics, Speech and Signal Processing, 2013 

  8. Li, P., Hastie, T.J., Church, K.W., "Very sparse random projections," ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (ICDM), 2006 

  9. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R., "Dropout: A simple way to prevent neural networks from overfitting." J. Mach. Learn. Res., 2014 

  10. Ulrich Bayer, Christopher Kruegel, and Engin Kirda, "TTAnalyze: A tool for analyzing malware," Annual Conference of the European Institute for Computer Antivirus Research (EICAR), 2006 

  11. A. Moser, C. Kruegel, and E. Kirda, "Exploring multiple execution paths for malware analysis," IEEE Symposium on Security and Privacy, 2007 

  12. Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg S. Corrado, and Jeff Dean, "Distributed representations of words and phrases and their compositionality," Advamces om Neural Information Processing Systems, 2013 

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

  14. Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in Neural Information Processing Systems, 2012 

  15. L. Nataraj, S. Karthikeyan, G. Jacob, B. S. Manjunath, "Malware Images: Visualization and Automatic Classification," ACM VizSec, 2011 

  16. Aude Oliva and Antonio Torralba, "Modeling the shape of the scene: A holistic representation of the spatial envelope," International Journal of Computer Vision, 2001 

  17. WannerCry randomware attack, https://en.wikipe dia.org/wiki/WannaCry_ransomware_attack 

  18. W. Xu, Y. Qi, D. Evans, "Automatically Evading Classifiers," Network and Distributed Systems Symposium, 2016 

저자의 다른 논문 :

관련 콘텐츠

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