$\require{mediawiki-texvc}$

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.

의사결정트리 기반 머신러닝 기법을 적용한 멜트다운 취약점 동적 탐지 메커니즘
Meltdown Threat Dynamic Detection Mechanism using Decision-Tree based Machine Learning Method 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.8 no.6, 2018년, pp.209 - 215  

이재규 (한신대학교 컴퓨터공학부) ,  이형우 (한신대학교 컴퓨터공학부)

초록
AI-Helper 아이콘AI-Helper

본 논문은 동적 샌드박스 도구를 이용하여 최근 급증하고 있는 멜트다운(Meltdown) 악성코드를 사전에 검출 및 차단하는 방법을 제시하였다. 멜트다운 공격 취약점에 대한 패치가 일부 제공되고 있으나 여전히 해당 시스템의 성능 저하 등의 이유로 의도적으로 패치를 적용하지 않는 경우가 많다. 이와 같이 적극적인 패치가 적용되지 않은 인프라를 위해 머신러닝 기법을 이용하여 기존의 시그니처 탐지 방식의 한계를 극복하는 방법을 제시하였다. 우선 멜트다운의 원리를 이해하기 위해 가상 메모리, 메모리 권한 체크, 파이프 라이닝과 추측 실행, CPU 캐시 등 4가지의 운영체제 구동 방식을 분석하고 이를 토대로 멜트다운 악성코드에 리눅스 strace 도구를 활용하여 데이터를 추출하는 메커니즘을 제공하였으며 이를 기반으로 의사 결정 트리 기법을 적용하여 멜트다운 악성코드를 판별하는 메커니즘을 구현하였다.

Abstract AI-Helper 아이콘AI-Helper

In this paper, we propose a method to detect and block Meltdown malicious code which is increasing rapidly using dynamic sandbox tool. Although some patches are available for the vulnerability of Meltdown attack, patches are not applied intentionally due to the performance degradation of the system....

주제어

표/그림 (15)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 취약점 패치 버전이 등장하였으나 성능 저하의 이유로 내부 시스템 혹은 성능에 영향이 민감한 IoT 장비에 대해서는 의도적으로 패치를 실행하지 않는 경우가 많다. 따라서 패치가 되지 않은 인프라를 위해 의사 결정 트리기반 머신러닝 기법을 적용하여 멜트다운 취약점을 동적으로 탐지하며 기존 시그니처 탐지 방식의 한계를 극복하는 방법을 제시하고자 한다.
  • 본 논문에서는 의사 결정 트리 기반 머신러닝 기법을 적용하여 기존 시그니처 탐지 방식의 한계를 극복하는 방법을 제시하였다. 리눅스 strace 도구를 활용하여 멜트다운 기반 악성코드로부터 추출되는 데이터를 탐지한 다음, python 기반 휴리스틱 기법을 사용한 탐지 스크립트를 개발하였다.
  • 이에 본 논문에서는 멜트다운 악성코드를 동적으로 탐지하기 위해 일차적으로 샌드박스에서 사전에 차단하는 방법을 제시하였다. 또한 검출 성능을 향상시키기 위해서 의사결정트리 기반 머신러닝 기법을 적용하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
시그널이란 무엇인가? 멜트다운 공격은 권한이 없는 영역에 접근을 시도하기 때문에 시그널이 발생할 수밖에 없다. 시그널이란 프로세스 또는 프로세스 그룹간 통신을 위해 사용하는 통신 기법중 하나이다. Fig.
휴리스틱 탐지의 문제점은 무엇인가? 휴리스틱 탐지는 임계치를 엔지니어 임의로 설정하기에 접근 시도 회수를 변경하면 우회가 가능하다. 하지만 결정트리는 서버에 부하, 스펙에 맞는 모델을 제시하기에 커널 주소 접근 시도 회수 임계치 변경에 따른 우회를 막을 수 있다.
멜트다운 취약점이 AMD와는 달리 Intel CPU에서만 발생하는 이유는 무엇 때문인가? 멜트다운 취약점은 Intel CPU 기반 시스템에서 주로 발생하고 AMD CPU에서 발생하지 않는다. 그 이유는 두 기업의 비순차적 명령어 처리(Out-of-order Execution)기술의 차이에서 발생한다. 두 기업 모두 명령어의 처리율을 높이기 위해 각각의 명령어를 병렬로 구동시켜 처리 흐름을 유지하는 파이프 라이닝(Pipe lining) 기술을 사용한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (12)

  1. M. Lipp. et al. (2018). "Meltdown: Reading Kernel Memory from User Space. https://meltdownattack.com/meltdown.pdf. 

  2. CVE-2017-5754 Detail, NIST (2017). https://nvd.nist.gov/vuln/detail/CVE-2017-5754. 

  3. paboldin. (2018). meltdown-exploit. github. https://github.com/paboldin/meltdown-exploit. 

  4. Timing attack, WIKIPEDIA. (2018). https://en.wikipedia.org/wiki/Timing_attack. 

  5. S. J. Paek & J. M. Choi. (2015). Linux Kernel Internal, ArtStudio Book. 

  6. Recommendation for countermeasures against OpenSSL vulnerability (HeartBleed). KrCert, https://www.krcert.or.kr/data/secNoticeView.do?bulletin_writing_sequence20884. 

  7. Decision tree learning, WIKIPEDIA. (2018).https://en.wikipedia.org/wiki/Decision_tree_learning. 

  8. I. Erez, M. Daniel, A. Yoav, G. Aviv & O. Ben. (2018). Detection of the Meltdown and Spectre Vulnerability. Check Point Research. https://research.checkpoint.com/detection-meltdown-spectre-vulnerabilities-using-checkpoint-cpu-level-technology/ 

  9. Code Pierce. (2018). Detecting Spectre and Meltdown Using Hardware Performance Counters. ENDGAME Online Website (Our Blog). https://www.endgame.com/blog/technical-blog/detecting-spectre-and-meltdown-using-hardware-performance-counters 

  10. S. Hong & Y. J. Seo. (2016). Countermeasure of Sniffing Attack: Survey. Journal of Convergence Society for SMB, 6(2), 31-36. DOI : 10.22156/CS4SMB.2016.6.2.031 

  11. H. J. Mun, S. H. Choi & Y. C. Hwang. (2016). Effective Countermeasure to APT Attacks using Big Data. Journal of Convergence Society for SMB, 6(1), 17-23. DOI : 10.22156/CS4SMB.2016.6.1.017 

  12. M. S. Gu1 & Y. Z. Li. (2015). A Study of Countermeasures for Advanced Persistent Threats attacks by malicious code. Journal of Convergence Society for SMB, 5(4), 37-42. 

저자의 다른 논문 :

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