[논문]높은 정확도를 위한 이미지 전처리와 앙상블 기법을 결합한 이미지 기반 악성코드 분류 시스템에 관한 연구

김해수; 김미희

doi:10.3745/ktccs.2022.11.7.225

높은 정확도를 위한 이미지 전처리와 앙상블 기법을 결합한 이미지 기반 악성코드 분류 시스템에 관한 연구
A Study on the Image-Based Malware Classification System that Combines Image Preprocessing and Ensemble Techniques for High Accuracy 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.11 no.7, 2022년, pp.225 - 232

김해수 (한경대학교 컴퓨터응용수학부) , 김미희 (한경대학교 컴퓨터응용수학부 컴퓨터시스템연구소)

초록
AI-Helper

최근 정보통신 기술의 발전이 많은 이에게 이점이 되고 있지만, 그와 동시에 새로운 프로그램의 취약점을 통해 악의적 공격 시도 또한 증가하고 있다. 악의적 공격 중 악성코드는 다양한 방식으로 동작하며 매번 새로운 방식으로 사람들에게 유포되고 이러한 악성코드들을 해결하기 위해 발견된 악성코드를 빠르게 분석하여 방어기법을 제공해야 한다. 새로운 악성코드를 기존 악성코드와 동일한 종류로 분류할 수 있다면 동작의 유사성을 가진 악성코드들의 분석된 특징을 이용해 새로운 악성코드의 방어기법을 제공할 수 있다. 따라서 악성코드를 정확하고 빠르게 분류하는 방법이 있어야 한다. 또한, 분석된 악성코드들의 패밀리 마다 데이터의 개수가 균일하지 않을 수 있으므로 이에 대한 해결방안이 필요하다. 본 논문에서는 이미지 전처리 기법과 앙상블 기법을 결합하여 개수가 균일하지 않은 데이터에서 정확도를 높이는 시스템을 제안한다.

Abstract ▼ AI-Helper

Recent development in information and communication technology has been beneficial to many, but at the same time, malicious attack attempts are also increasing through vulnerabilities in new programs. Among malicious attacks, malware operate in various ways and is distributed to people in new ways every time, and to solve this malware, it is necessary to quickly analyze and provide defense techniques. If new malware can be classified into the same type of malware, malware has similar behavioral characteristics, so they can provide defense techniques for new malware using analyzed malware. Therefore, there is a need for a solution to this because the method of accurately and quickly classifying malware and the number of data may not be uniform for each family of analyzed malware. This paper proposes a system that combines image preprocessing and ensemble techniques to increase accuracy in imbalanced data.

주제어

표/그림 (16)

그림 Fig. 1. Proposal System
그림 Fig. 2. Example of Malware Byte File
그림 Fig. 3. Malware Image : Ramnit
표 Table 1. Image Width for Various File Sizes[4]
그림 Fig. 4. Process of Convert'ing LBP[9]
그림 Fig. 5. Image Converted Into LBP : Ramnit
그림 Fig. 6. Image Converted Into HOG : Ramnit
표 Table 2. Structure of CNN model
표 Table 3. BIG 2015 Dataset[15]
표 Table 4. Malimg Malware Dataset[4]
그림 Fig. 7. Accuracy by Data Preprocessing Method and Model : BIG 2015
그림 Fig. 8. Accuracy by Data Preprocessing Method and Model : Malimg
그림 Fig. 9. Accuracy of BIG 2015 Data by Ensemble Techniques
표 Table 5. BIG 2015 Experiment Results Accuracy Table
표 Table 6. Malimg Experiment Results Accuracy Table
그림 Fig. 10. Accuracy Average of Malimg Data by Ensemble Techniques

참고문헌 (15)

"Cyber Threat Prospects for 2021", KISA, Jan. 26, 2021 [Internet], https://krcert.or.kr/data/reportView.do?bulletin_writing_sequence35878.
C. Beek, et al., 2021 McAfee Threats report [Internet], https://www.mcafee.com/enterprise/en-us/lp/threats-reports/jun-2021.html.
Press Release, WatchGuard, Jun. 24, 2021 [Internet], https://www.atchguard.com/wgrd-news/press-releases/new-watchguard-research-reveals-traditional-anti-malware-solutions-miss.
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, No.4, pp.1-7, 2011.
H. Kim and M. Kim, "Image-based malware classification system using image preprocessing and ensemble techniques," Proceedings of the Korea Information Processing Society Conference. Korea Information Processing Society, pp.715-718, 2021.
M. Sahin and S. Bahtiyar, "A survey on malware detection with deep learning," 13th International Conference on Security of Information and Networks, No.34, pp.1-6, 2020.
S. Kim, D. Kim, H. Lee, and T. Lee, "A study on classification of CNN-based linux malware using image processing techniques," Journal of the Korea Academia-Industrial cooperation Society, Vol.21, No.9, pp.634-642, 2020.
S. Yue, "Imbalanced malware images classification: A CNN based approach," arXiv preprint arXiv:1708.08042, 2017.
T. Ojala, M. Pietikainen, and D. Harwood, "A comparative study of texture measures with classification based on featured distributions," Pattern Recognition, Vol.29, No.1, pp.51-59, 1996.

상세보기
N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," International Conference on Computer Vision & Pattern Recognition (CVPR), San Diego, UnitedStates, pp.886-893, 2005.
K. O'Shea and R. Nash, "An introduction to convolutional neural networks," arXiv preprint arXiv:1511.08458, 2015.
S. Hochreiter and J. Schmidhuber, "LONG SHORT-TERM MEMORY," Neural Computation, Vol.9, No.8, pp.1735-1780, 1997.

상세보기
R. O'Brien and H. Ishwaran, "A random forests quantile classifier for class imbalanced data," Pattern Recognition, Vol.90, pp.232-249, 2019.

상세보기
F. Provost, "Machine learning from imbalanced data sets 101," Proceedings of the AAAI 2000 Workshop on Imbalanced Data Sets, pp.1-3, 2000.
R. Ronen, M. Radu, C. Feuerstein, E. Yom-Tov, and M. Ahmadi, "Microsoft malware classification challenge," arXiv preprint arXiv:1802.10135, 2018.

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