[논문]영상처리기법을 이용한 CNN 기반 리눅스 악성코드 분류 연구

김세진; 김도연; 이후기; 이태진

doi:10.5762/kais.2020.21.9.634

영상처리기법을 이용한 CNN 기반 리눅스 악성코드 분류 연구
A Study on Classification of CNN-based Linux Malware using Image Processing Techniques 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.9, 2020년, pp.634 - 642

김세진 (호서대학교 정보보호학과) , 김도연 (호서대학교 정보보호학과) , 이후기 (건양대학교 사이버보안공학과) , 이태진 (호서대학교 정보보호학과)

초록
AI-Helper

사물인터넷(IoT) 기기의 확산으로 인해 다양한 아키텍처가 존재하는 Linux 운영체제의 활용이 증가하였다. 이에 따라 Linux 기반의 IoT 기기에 대한 보안 위협이 증가하고 있으며 기존 악성코드를 기반으로 한 변종 악성코드도 꾸준히 등장하고 있다. 본 논문에서는 시각화한 ELF(Executable and Linkable Format) 파일의 바이너리 데이터를 영상처리 기법 중 LBP(Local Binary Pattern)와 Median Filter를 적용하여 CNN(Convolutional Neural Network)모델로 악성코드를 분류하는 시스템을 제안한다. 실험 결과 원본 이미지의 경우 98.77%의 점수로 가장 높은 정확도와 F1-score를 보였으며 재현율도 98.55%의 가장 높은 점수를 보였다. Median Filter의 경우 99.19%로 가장 높은 정밀도와 0.008%의 가장 낮은 위양성률을 확인하였으며 LBP의 경우 전반적으로 원본과 Median Filter보다 낮은 결과를 보였음을 확인하였다. 원본과 영상처리기법별 분류 결과를 다수결로 분류했을 경우 원본과 Median Filter의 결과보다 정확도, 정밀도, F1-score, 위양성률이 전반적으로 좋아졌음을 확인하였다. 향후 악성코드 패밀리 분류에 활용하거나 다른 영상처리기법을 추가하여 다수결 분류의 정확도를 높이는 연구를 진행할 예정이다.

Abstract ▼ AI-Helper

With the proliferation of Internet of Things (IoT) devices, using the Linux operating system in various architectures has increased. Also, security threats against Linux-based IoT devices are increasing, and malware variants based on existing malware are constantly appearing. In this paper, we propose a system where the binary data of a visualized Executable and Linkable Format (ELF) file is applied to Local Binary Pattern (LBP) image processing techniques and a median filter to classify malware in a Convolutional Neural Network (CNN). As a result, the original image showed the highest accuracy and F1-score at 98.77%, and reproducibility also showed the highest score at 98.55%. For the median filter, the highest precision was 99.19%, and the lowest false positive rate was 0.008%. Using the LBP technique confirmed that the overall result was lower than putting the original ELF file through the median filter. When the results of putting the original file through image processing techniques were classified by majority, it was confirmed that the accuracy, precision, F1-score, and false positive rate were better than putting the original file through the median filter. In the future, the proposed system will be used to classify malware families or add other image processing techniques to improve the accuracy of majority vote classification. Or maybe we mean "the use of Linux O/S distributions for various architectures has increased" instead? If not, please rephrase as intended.

주제어

표/그림 (16)

그림 Fig. 1. ELF Structure
그림 Fig. 2. Classification accuracy using SVM
표 Table 1. ELF Header Structure
그림 Fig. 3. Process of robust hashing
그림 Fig. 4. Example of Goodware and Malware Images (a) Goodware (b) Malware
그림 Fig. 5. Overall System Configuration
그림 Fig. 6. Example visualization of ELF binary data
그림 Fig. 7. Image processing Example (a) Original (b) LBP (c) Median Filter
그림 Fig. 8. LBP Conversion Example
그림 Fig. 9. Architecture of the CNN model
그림 Fig. 10. Example of Hard Voting
표 Table 2. CNN Architecture
표 Table 3. CNN Parameters
그림 Fig. 11. Confusion matrix (a) Original (b) LBP (c) Median Filter (d) Voting
그림 Fig. 12. ROC Curve
표 Table 4. Evaluation results of Hard Voting Classification and CNN-based Linux malware classification model using image processing

AI 본문요약
AI-Helper

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

문제 정의

IoT 기기의 확산에 따라 Linux를 기반으로 하는 IoT 기기들에 대한 보안 위협이 증가하고 있다. 본 논문에서는 Linux 악성코드에 대응하기 위해 ELF 파일의 바이너리 데이터를 시각화한 후, Median Filter와 LBP 기법을 적용해 CNN 모델로 분류하는 시스템을 제안하였다. 제안한 모델로 악성코드를 분류한 결과 원본이 98.
2의 결과를 통해 Median Filter와 LBP를 적용한 Feature가 악성코드 분류에 좋은 성능을 보임을 확인하였다. 본 논문에서는 영상처리 기법별 분류 결과를 다수결로 분류했을 시, 분류 성능이 향상될 것으로 해석하여 다수결 분류를 진행하였다. 그 결과 4.
본 논문에서는 영상처리기법을 적용한 Feature의 성능을 확인을 위해 다음과 같이 진행하였다. 시각화한 ELF 파일에 영상처리 기법 중 Median Filter 기법과 LBP 기법을 적용한다.
본 절에서는 영상처리기법을 이용한 Linux 악성코드 분류모델의 분석 결과를 제시한다. 본 논문에서는 시각화한 ELF 파일에 영상처리 기법인 LBP와 Median Filter를 적용하여 악성코드 분류를 진행했다.

제안 방법

및 Pietikainen의 연구에서 이미지 전처리 기법 중 Local Binary Pattern(LBP)기법을 이용한 악성코드 및 이미지 분류 연구를 진행하였다. LBP의 질감 처리 특징을 이용하여 이미지 전처리를 통해 얼굴 인식 방법을 제시한다.
의 연구에서는 악성코드가 갖는 이러한 특징을 이용하여 악성코드 이미지를 robust 한 전처리를 진행하였다[11]. Support Vector Machine(SVM) 분류기를 적용하여 분류할 수 있는 머신러닝 모델을 제안하였으며 2개의 local feature와 Histogram of Oriented Gradient(HOG), Pixel Intensity 등 6개의 global feature를 이용하여 이미지 전처리를 진행하였다. Fig.
시각화한 ELF 파일에 영상처리 기법 중 Median Filter 기법과 LBP 기법을 적용한다. 그 후 머신러닝 모델인 CNN 알고리즘을 이용하여 학습을 진행한 후 테스트 데이터의 악성 여부를 판단한다. 또한 영상처리 기법별 분류 결과를 집계하여 Voting Classifiers도 진행하였다.
시각화한 이미지를 영상처리 기법 중 LBP(Local Binary Pattern) 기법과 Median Filter 기법을 통해 전처리하여 이미지가 가지고 있는 특징을 부각시켜준다. 그 후 원본과 전처리한 이미지의 특징을 추출하여 분류한 결과를 비교 분석한다.
Pixel 하나를 기준으로 주위 8개의 pixel의 RGB 값을 도출한다. 도출한 pixel의 RGB 값을 Bubble Sorting을 거쳐 오름차순으로 나열한 후 나열한 값 중에 중간 크기의 값을 선택하여 기준 pixel에 삽입한다. 이러한 방법으로 주위 8개의 값과 비교하여 중간값을 찾아내어 출력할 이미지에 순차적으로 넣게 되면 Median Filter의 값을 얻을 수 있다.
그 후 머신러닝 모델인 CNN 알고리즘을 이용하여 학습을 진행한 후 테스트 데이터의 악성 여부를 판단한다. 또한 영상처리 기법별 분류 결과를 집계하여 Voting Classifiers도 진행하였다. Fig.
본 연구에서는 시각화시킨 Linux 악성코드 원본을 Local Binary Pattern(LBP), Median Filter 처리를 한 후 CNN을 이용하여 악성코드 분류를 진행하고 원본 이미지와 더불어 분류 정확도를 도출하였다. 또한, 보다 나은 성능의 예측을 위해 다수결 분류 중 Hard Voting 방식을 사용하여 영상처리 기법별 분류 결과들에 대한 다수결 분류모델의 성능평가 결과를 제시한다.
분류기의 입력 이미지 형태를 맞춰주기 위해 이미지를 256x256 크기의 8-bit gray-scale로 변환한다. 변환 후 4개의 convolution layer와 2개의 full connect layer 2개로 구성된 CNN을 이용해 시각화된 악성코드를 분류하였다. 9개의 악성코드 패밀리로 구성된 Microsoft 데이터 셋 20,000개를 이용해 10-flod cross validation 기법을 적용하여 악성코드 분류 정확도를 검증한 결과 96.
본 논문에서는 ELF 파일의 바이너리 데이터를 64x64 크기의 8bit gray-scale 이미지로 변환하였다. 이 과정에서 파일의 크기가 지정한 이미지 크기보다 큰 경우에는 압축, 작을 경우에는 제로 패딩을 통해 고정된 크기의 이미지를 생성한다.
다수결 분류에는 단순하게 표를 많이 받은 값을 최종 예측값으로 정하는 Hard Voting과 가중치가 가장 높은 것을 예측값으로 정하는 Soft Voting이 있다. 본 논문에서는 Hard Voting 방식으로 영상처리 기법별 결과를 집계하여 표가 제일 많은 값을 예측값으로 정한다. Fig.
출력된 128개의 값을 두 번째 Fully Connected layer에 입력하면 2개의 값이 최종 출력으로 나온다. 본 논문에서는 batch size를 13, epoch 값을 100으로 설정하여 학습을 진행하였다.
본 절에서는 영상처리기법을 이용한 Linux 악성코드 분류모델의 분석 결과를 제시한다. 본 논문에서는 시각화한 ELF 파일에 영상처리 기법인 LBP와 Median Filter를 적용하여 악성코드 분류를 진행했다. 그 결과 98.
Robust 한 악성코드 이미지 처리를 통해 악성코드의 전체적인 특징을 이용하여 분류 정확도를 높이는 기술이 필요하다. 본 연구에서는 시각화시킨 Linux 악성코드 원본을 Local Binary Pattern(LBP), Median Filter 처리를 한 후 CNN을 이용하여 악성코드 분류를 진행하고 원본 이미지와 더불어 분류 정확도를 도출하였다. 또한, 보다 나은 성능의 예측을 위해 다수결 분류 중 Hard Voting 방식을 사용하여 영상처리 기법별 분류 결과들에 대한 다수결 분류모델의 성능평가 결과를 제시한다.
이미지 변환 알고리즘을 이용하여 이미지를 일정한 크기로 변환, CNN 알고리즘을 통해 악성코드 패밀리를 분류하였다. 분류기의 입력 이미지 형태를 맞춰주기 위해 이미지를 256x256 크기의 8-bit gray-scale로 변환한다. 변환 후 4개의 convolution layer와 2개의 full connect layer 2개로 구성된 CNN을 이용해 시각화된 악성코드를 분류하였다.
여러 층의 Convolutional 계층과 Neural Network로 이루어진 구조로 되어 있으며 Convolutional layer를 통해 이미지의 특징을 추출하고 Neural Network를 통하여 추출한 특징을 기반으로 이미지를 분류한다. 악성코드를 이미지로 시각화하였을 때 악성코드마다 고유한 특징이 나타나는 특징을 이용하여 파일을 실행시키지 않아도 분석이 가능한 ELF 파일의 바이너리 데이터를 gray-scale 이미지로 시각화한다. 시각화한 이미지를 영상처리 기법 중 LBP(Local Binary Pattern) 기법과 Median Filter 기법을 통해 전처리하여 이미지가 가지고 있는 특징을 부각시켜준다.
의 연구에서는 악성코드의 이미지화를 통한 패밀리를 분류하는 방법을 제안하였다[5]. 이미지 변환 알고리즘을 이용하여 이미지를 일정한 크기로 변환, CNN 알고리즘을 통해 악성코드 패밀리를 분류하였다. 분류기의 입력 이미지 형태를 맞춰주기 위해 이미지를 256x256 크기의 8-bit gray-scale로 변환한다.

대상 데이터

영상처리 기법을 적용한 Feature의 성능을 확인하기 위해 머신러닝 모델인 CNN 알고리즘을 사용하였다. 본 논문에서 사용한 CNN 모델은 2개의 Convolution layer와 2개의 Fully Connected layer로 구성되어 있다. Convolution layer와 Fully Connected layer 사이에는 Max-pooling layer와 Dropout layer를 배치하여 차원을 줄이고 과적합을 방지하였다.
본 논문에서 사용한 데이터 셋은 Virusshare에서 제공하는 Linux 악성코드 10,000개와 자체 수집한 정상파일 10,000개로 구성되어 있으며 악성/정상 각 8,000개씩 총 16,000개의 데이터를 학습 데이터로 사용하고 나머지 4,000개의 데이터를 테스트에 사용하였다.
Kim et al. 연구에서는 실험을 위해 학습용 데이터와 더불어 패밀리 정보를 제공하지 않는 악성코드 데이터를 사용하였다. CNN과 Random forest 알고리즘을 통해 악성코드를 분류했을 때 각각 98.

이론/모형

본 논문에서 제안하는 모델에서 또한 Convolutional Neural Network(CNN)을 이용하여 악성코드 분류기 학습모델에 적용했다. CNN은 딥러닝 알고리즘 중 하나이며 이미지를 통해 패턴을 찾아내고 이를 분류하는 데 유용하다.
악성코드 분류 시 outlier에 크게 영향을 받지 않도록 시각화한 ELF 파일에 영상처리 기법을 적용한다. 본 논문에서는 LBP 기법과 Median Filter 기법을 적용하였다. Fig.
본 논문에서는 영상처리기법을 적용한 Feature의 성능을 확인을 위해 다음과 같이 진행하였다. 시각화한 ELF 파일에 영상처리 기법 중 Median Filter 기법과 LBP 기법을 적용한다. 그 후 머신러닝 모델인 CNN 알고리즘을 이용하여 학습을 진행한 후 테스트 데이터의 악성 여부를 판단한다.
악성코드 분류 시 outlier에 크게 영향을 받지 않도록 시각화한 ELF 파일에 영상처리 기법을 적용한다. 본 논문에서는 LBP 기법과 Median Filter 기법을 적용하였다.
영상처리 기법을 적용한 Feature의 성능을 확인하기 위해 머신러닝 모델인 CNN 알고리즘을 사용하였다. 본 논문에서 사용한 CNN 모델은 2개의 Convolution layer와 2개의 Fully Connected layer로 구성되어 있다.
Convolution layer와 Fully Connected layer 사이에는 Max-pooling layer와 Dropout layer를 배치하여 차원을 줄이고 과적합을 방지하였다. 활성화 함수는 ReLu(Rectified Linear Unit)를 사용하였다. Table 2와 Table 3은 제안한 CNN 모델의 아키텍처와 파라미터의 설정값을 나타내며 Fig.

성능/효과

4.2의 결과를 통해 Median Filter와 LBP를 적용한 Feature가 악성코드 분류에 좋은 성능을 보임을 확인하였다. 본 논문에서는 영상처리 기법별 분류 결과를 다수결로 분류했을 시, 분류 성능이 향상될 것으로 해석하여 다수결 분류를 진행하였다.
의 연구에서는 다양한 크기를 가진 악성코드 바이너리를 256 x 256 크기의 여러 장의 이미지로 전처리하여 Dynamic Recurrent Neural Network(RNN)와 CNN을 이용하여 분류할 수 있는 딥러닝 모델을 제안하였다[7]. 96%의 분류 정확도가 검증되었고 악성코드에 대한 복잡한 전처리가 없다는 장점이 존재하나 ConvLSTM Encoder, Residual Block 등을 사용하여 모델 학습 시 많은 연산을 필요로 하고 데이터 셋 불균형으로 인해 특정 클래스에서 분류 정확도가 떨어지는 현상을 보였다.
변환 후 4개의 convolution layer와 2개의 full connect layer 2개로 구성된 CNN을 이용해 시각화된 악성코드를 분류하였다. 9개의 악성코드 패밀리로 구성된 Microsoft 데이터 셋 20,000개를 이용해 10-flod cross validation 기법을 적용하여 악성코드 분류 정확도를 검증한 결과 96.2%의 정확도가 도출되었다. 또한 많은 수의 악성코드 유형이 존재할 때의 분류 정확도를 확인하기 위하여 VXHeavens 데이터셋을 이용했다.
47%의 정확도를 보였다. Median Filter의 경우 원본보다 낮은 정확도를 보였으나 99.19%의 높은 정밀도와 0.8%의 낮은 위양성률을 확인할 수 있었다. 분류 결과를 통해 영상처리 기법을 적용한 Feature가 악성코드 특징을 잘 나타내고 있음을 확인할 수 있었으며 악성코드 분석에 좋은 탐지율을 보임을 확인했다.
본 논문에서는 영상처리 기법별 분류 결과를 다수결로 분류했을 시, 분류 성능이 향상될 것으로 해석하여 다수결 분류를 진행하였다. 그 결과 4.2의 결과에서 정확도가 가장 높게 나왔던 원본 대비 0.1% 더 높은 98.87%의 정확도를 확인할 수 있었다. 또한, Median Filter의 정밀도와 위양성률보다 더 나은 점수를 보였으며 전체적으로 분류 성능이 향상되었음을 확인했다.
본 논문에서는 시각화한 ELF 파일에 영상처리 기법인 LBP와 Median Filter를 적용하여 악성코드 분류를 진행했다. 그 결과 98.77%의 정확도로 원본이 가장 높은 정확도를 보였으며 Median Filter가 98.57%, LBP가 가장 낮은 96.47%의 정확도를 보였다. Median Filter의 경우 원본보다 낮은 정확도를 보였으나 99.
77%로 가장 높은 정확도를 보였으나 Median Filter를 적용하여 분류했을 경우, 재현율과 위양성률이 원본보다 개선되었음을 확인할 수 있었다. 또 한 영상처리 기법별 분류 결과에 대해 다수결 분류를 진행한 결과 98.87%의 정확도로 원본보다 높은 정확도를 보였으며 전체적으로 분류 성능이 향상되었음을 확인했다. 우리는 영상처리 기법을 적용한 Feature가 악성코드 특징을 잘 나타내고 있음을 확인했으며 다른 영상처리 기법을 추가하여 다수결 분류를 진행했을 경우 더 좋은 성능을 보일 것으로 기대한다.
87%의 정확도를 확인할 수 있었다. 또한, Median Filter의 정밀도와 위양성률보다 더 나은 점수를 보였으며 전체적으로 분류 성능이 향상되었음을 확인했다. 다른 영상처리 기법들을 추가하여 다수결 분류를 진행할 경우 악성코드 탐지율이 더욱 향상될 것으로 전망한다.
8%의 낮은 위양성률을 확인할 수 있었다. 분류 결과를 통해 영상처리 기법을 적용한 Feature가 악성코드 특징을 잘 나타내고 있음을 확인할 수 있었으며 악성코드 분석에 좋은 탐지율을 보임을 확인했다. Table 4는 원본, LBP, Median Filter 데이터의 분류 결과와 기법별 분류 결과를 집계하여 다수결로 분류한 결과를 나타낸다.
또한 많은 수의 악성코드 유형이 존재할 때의 분류 정확도를 확인하기 위하여 VXHeavens 데이터셋을 이용했다. 앞선 Microsoft 데이터 셋과 동일하게 10-flod cross validation 기법을 적용하여 분류 성능을 검증하였을 때 82.9%의 정확도가 도출되었다. 하루에도 셀 수 없이 많은 악성코드들이 발견되는 상황에서 S.
본 논문에서는 Linux 악성코드에 대응하기 위해 ELF 파일의 바이너리 데이터를 시각화한 후, Median Filter와 LBP 기법을 적용해 CNN 모델로 분류하는 시스템을 제안하였다. 제안한 모델로 악성코드를 분류한 결과 원본이 98.77%로 가장 높은 정확도를 보였으나 Median Filter를 적용하여 분류했을 경우, 재현율과 위양성률이 원본보다 개선되었음을 확인할 수 있었다. 또 한 영상처리 기법별 분류 결과에 대해 다수결 분류를 진행한 결과 98.
2는 SVM을 이용하여 악성코드 분류 정확도를 그래프로 나타낸 것이다. 평균 84%의 정확도가 도출되었으며 패밀리 별 데이터의 수가 많을수록 높은 정확도를 보였다. Fig.

후속연구

또한, Median Filter의 정밀도와 위양성률보다 더 나은 점수를 보였으며 전체적으로 분류 성능이 향상되었음을 확인했다. 다른 영상처리 기법들을 추가하여 다수결 분류를 진행할 경우 악성코드 탐지율이 더욱 향상될 것으로 전망한다.
87%의 정확도로 원본보다 높은 정확도를 보였으며 전체적으로 분류 성능이 향상되었음을 확인했다. 우리는 영상처리 기법을 적용한 Feature가 악성코드 특징을 잘 나타내고 있음을 확인했으며 다른 영상처리 기법을 추가하여 다수결 분류를 진행했을 경우 더 좋은 성능을 보일 것으로 기대한다. 향후, 제안한 시스템으로 악성코드 패밀리 분류를 진행하거나 다른 영상처리기법을 추가하여 다수결 분류의 정확도를 높이는 연구를 진행할 예정이다.
우리는 영상처리 기법을 적용한 Feature가 악성코드 특징을 잘 나타내고 있음을 확인했으며 다른 영상처리 기법을 추가하여 다수결 분류를 진행했을 경우 더 좋은 성능을 보일 것으로 기대한다. 향후, 제안한 시스템으로 악성코드 패밀리 분류를 진행하거나 다른 영상처리기법을 추가하여 다수결 분류의 정확도를 높이는 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	CNN은 무엇에 유용한가?	본 논문에서 제안하는 모델에서 또한 Convolutional Neural Network(CNN)을 이용하여 악성코드 분류기 학습모델에 적용했다. CNN은 딥러닝 알고리즘 중 하나이며 이미지를 통해 패턴을 찾아내고 이를 분류하는 데 유용하다. 얼굴 인식 애플리케이션 등에서 많이 사용되고 있으며, 이미지 특징을 직접 학습하기 때문에 특징을 수동으로 추출할 필요가 없다는 장점이 있다.
	Linux 운영체제의 활용이 증가한 이유는?	사물인터넷(IoT) 기기의 확산으로 인해 다양한 아키텍처가 존재하는 Linux 운영체제의 활용이 증가하였다. 이에 따라 Linux 기반의 IoT 기기에 대한 보안 위협이 증가하고 있으며 기존 악성코드를 기반으로 한 변종 악성코드도 꾸준히 등장하고 있다.
	Linux 기반의 IoT 기기에 대한 보안 위협이 증가한 이유는?	사물인터넷(IoT) 기기의 확산으로 인해 다양한 아키텍처가 존재하는 Linux 운영체제의 활용이 증가하였다. 이에 따라 Linux 기반의 IoT 기기에 대한 보안 위협이 증가하고 있으며 기존 악성코드를 기반으로 한 변종 악성코드도 꾸준히 등장하고 있다.

참고문헌 (15)

KISA & KrCERT, "2016 Mirai Malware Trends Report", Technical report, KISA, Republic of Korea, pp. 2-8
B. N. Noh, Embedded Linux based IoT device malware analysis technology research, Technical Report, KISA, Korea, pp. 1-7
Hongbi, Kim, Hyunseok, Shin, Junho, Hwang, Taejin, Lee, "Malware Variants Detection based on Dhash", Journal of KIISE, Vol. 46, No. 11, pp. 1207-1214, 2019.11 DOI : https://dx.doi.org/10.5626/JOK.2019.46.11.1207

상세보기
Jun-ho, Hwang, Tae-jin, Lee, "Study of Static Analysis and Ensemble-Based Linux Malware Classification", Journal of The Korea Institute of Information Security & Cryptology, VOL. 29, NO. 6, pp. 1327-1337, Dec. 2019 DOI : https://dx.doi.org/10.13089/JKIISC.2019.29.6.1327
Seon-hee, Seok, Ho-won, Kim, "Visualized Malware Classification Based-on Convolutional Neural Network", Journal of The Korea Institute of Information Security & Cryptology, VOL. 26, NO. 1, pp. 197-208, Feb. 2016 DOI : https://dx.doi.org/10.13089/JKIISC.2016.26.1.197

원문보기 상세보기
L. Nataraj, S. Karthikeyan, G. Jacob, and B. S. Manjunath, "Malware images: visualization and automatic classification," Proc. of the 8th international symposium on visualization for cyber security, pp. 1-7, 2011 DOI : https://dx.doi.org/10.1145/2016904.2016908
Geun-Youngm, Lim, Young-Bok, Cho, "Dynamic RNN-CNN malware clasifer corespond with Random Dimension Input Data", Journal of the Korea Instiute of Information and Comunication Enginering, Vol. 23, No. 5, pp. 533-539, May 2019
Ho-Sung, Woo, Geon-Ung, Cheong, Jun-Woo-Cho, Jae-Hyun, Kim, "Antivirus Software Using CNN", Proceedings of Symposium of the Korean Institute of communications and Information Sciences, pp. 385-386, 2018.11
Jiawei Su, Danilo Vasconcellos Vargas, Sanjiva Prasad, Daniele Sgandurra, Yaokai Feng, Kouichi Sakurai, "Lightweight Classification of IoT Malware based on Image Recognition", 2018 IEEE 42nd Annual Computer Software and Applications Conference (COMPSAC), 2018 DOI : https://dx.doi.org/10.1109/COMPSAC.2018.10315
Tae-Guen, Kim, Hwan-Tae, Ji, Eul-Gyu, Im, "Malware Classification Using Machine Learning and Binary Visualization", KIISE Transactions on Computing Practices, Vol. 24, No. 4, pp. 198-203, 2018.4 DOI : https://dx.doi.org/10.5626/KTCP.2018.24.4.198

상세보기
Wei-Chung, Huang, Fabio Di Troia, Mark Stamp, "Robust Hashing for Image-based Malware Classification", Proceedings of the 15th International Joint Conference on e-Business and Telecommunications (ICETE 2018), Vol. 1, pp. 451-459, 2018. DOI: https://dx.doi.org/10.5220/0006942204510459
Jhu-Sin, Luo, Dan, Lo, Malware Image Classification using Machine Learning with Local Binary Pattern, Master's thesis, Kennesaw State University of Computer Science, 2018.5 DOI : https://dx.doi.org/10.1109/TPAMI.2006.244
T. Ahonen, A. Hadid, M. Pietikainen, "Face Description with Local Binary Patterns: Application to Face Recognition", IEEE Transactions on Pattern Analysis and Machine Intelligence Vol. 28, Issue. 12 , pp. 2037-2041, Dec. 2006

상세보기
Matti Pietikainen, Local Binary Patterns, Scholarpedia, 2010, http://www.scholarpedia.org/article/Local_Binary_Patterns (accessed Apr. 3, 2020)
Muhammad Furqan Rafique, Muhammad Ali, Aqsa Saeed Qureshi, Asifullah Khan, Jin Young Kim, Anwar Majid Mirza, "Malware Classification using Deep Learning based Feature Extraction and Wrapper based Feature Selection Technique", 2019

저자의 다른 논문 :

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