최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국사물인터넷학회 논문지 = Journal of the Korea Internet of Things Society, v.6 no.2, 2020년, pp.1 - 10
이형우 (한신대학교 컴퓨터공학부) , 이한성 (한신대학교 컴퓨터공학과 대학원)
The mobile application based on the Android platform is simple to decompile, making it possible to create malicious applications similar to normal ones, and can easily distribute the created malicious apps through the Android third party app store. In this case, the Android malicious application in ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
악성 애플리케이션은 어떤 특징이 있는가? | 안드로이드 플랫폼 기반 모바일 애플리케이션은 디컴파일이 간단하여 정상 앱과 유사한 악성 애플리케이션을 만들 수 있으며, 제작된 악성 앱은 안드로이드 서드 파티(third party) 앱 스토어를 통해 배포되고 있다. 이 경우 악성 애플리케이션은 기기 내 개인정보 유출, 프리미엄 SMS 전송, 위치정보와 통화 기록 유출 등의 문제를 유발한다. 따라서 최근 이슈가 되고 있는 머신러닝 기법 중에서 최적의 성능을 제공하는 모델을 선별하여 악성 안드로이드 앱을 자동으로 판별할 수 있는 기법을 제공할 필요가 있다. | |
랜덤 포레스트 모델은 어느 정도의 성능을 보이는가? | 이에 본 논문에서는 공인 실험 데이터를 대상으로 총 네 가지 형태의 성능 평가 실험을 통해 가장 높은 성능을 나타내는 머신러닝 모델을 도출하였다. 실험 결과랜덤 포레스트 모델을 이용할 경우 안드로이드 정상/악성 앱 판별 과정에 최적의 성능(94.57%)을 제공한다는것을 확인할 수 있었다. 따라서 앞으로 랜덤 포레스트 머신러닝 모델을 이용하여 개인정보 유출 방지 및 안전성이 향상된 스마트폰 이용 환경을 제공할 수 있을 것으로 예상되며, 머신러닝 모델을 적용하여 자동 판별 결과를[15]와 같은 블록체인 시스템 내에 저장/관리한다면 더욱더 보안성이 향상된 모바일 앱 이용 환경을 제공할 수 있을 것으로 기대된다. | |
신규 악성앱이 지속적으로 출현하는 이유는 무엇인가? | 이처럼 안드로이드 모바일 단만을 대상으로 신규 악성앱이 지속적으로 출현함과 동시에 변종 악성 애플리케이션 역시 급증하고 있는 추세이다. 이는 안드로이드 플랫폼 기반 모바일 애플리케이션이 디컴파일이 쉬운 Java언어로 개발되어 누구라도 손쉽게 정상 앱과 유사한 악성 애플리케이션을 만들 수 있기 때문이며, 제작된 악성앱을 안드로이드 서드 파티(third party) 앱 스토어를 통해 손쉽게 배포할 수 있기 때문이다. 따라서 본 논문에서는 기존 기법의 문제점 분석 결과를 토대로, 안드로이드악성 앱 판별에 가장 적합한 머신러닝 기법 등을 도출하여 정상 앱과 변종 악성 앱을 자동으로 판별하는 기법을도출하고자 한다. |
Symantec. Internet Security Threat Report. Volume 23. March 2018. https://docs.broadcom.com/doc/istr-23-2018-en.
Victor Chebyshev. Mobile malware evolution 2019. February 25, 2020. http://securelist.com/mobile-malware-evolution-2019/96280/.
D.H.Kim, M.G.Lee, M.S.Song and S.J.Cho, "Machine Learning based Android Malware Detection using Gray Scale Images", KOREA INFORMATION SCIENCE SOCIETY, Vol.45, No.1, pp.1245-1247, 2018.
Androguard. https://github.com/androguard/androguard.
Jupyter Notebook. https://jupyter.org/.
Jupyter Lab. https://github.com/jupyterlab/jupyterlab.
Python. https://www.python.org/.
scikit-learn. https://scikit-learn.org/.
J.W.Jang, J.S.Yun, A.Mohaisen, J.Y.Woo and H.K.Kim. "Detecting and classifying method based on similarity matching of Android malware behavior with profile.", SpringerPlus, Vol.5, No.1, pp.273, 2016.
Android Documentation. http://developer.android.com/guide/topics/manifest/permission-element.html.
K.W.Bae, K.H.Lee, "Security of Database Based On Hybrid Blockchain," Journal of The Korea Internet of Things Society, Vol.6, No.1, pp.9-15, 2020. https://doi.org/10.20465/KIOTS.2020.6.1.009
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.