[논문]악성코드 대응을 위한 신뢰할 수 있는 AI 프레임워크

신경아; 이윤호; 배병주; 이수항; 홍희주; 최영진; 이상진

doi:10.13089/jkiisc.2022.32.5.1019

악성코드 대응을 위한 신뢰할 수 있는 AI 프레임워크
Trustworthy AI Framework for Malware Response 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.32 no.5, 2022년, pp.1019 - 1034

신경아 (고려대학교 정보보호대학원) , 이윤호 ((주)에프원시큐리티) , 배병주 ((주)에프원시큐리티) , 이수항 ((주)에프원시큐리티) , 홍희주 ((주)에프원시큐리티) , 최영진 ((주)에프원시큐리티) , 이상진 (고려대학교 정보보호대학원)

초록
AI-Helper

4차 산업혁명의 초연결사회에서 악성코드 공격은 더욱 기승을 부리고 있다. 이러한 악성코드 대응을 위해 인공지능기술을 이용한 악성코드 탐지 자동화는 새로운 대안으로 주목받고 있다. 그러나, 인공지능의 신뢰성에 대한 담보없이 인공지능을 활용하는 것은 더 큰 위험과 부작용을 초래한다. EU와 미국 등은 인공지능의 신뢰성 확보방안을 강구하고 있으며, 2021년 정부에서는 신뢰할 수 있는 인공지능 실현 전략을 발표했다. 정부의 인공지능 신뢰성에는 안전과 설명가능, 투명, 견고, 공정의 5가지 속성이 있다. 우리는 악성코드 탐지 모델에 견고를 제외한 안전과, 설명가능, 투명, 공정의 4가지 요소를 구현하였다. 특히 외부 기관의 검증을 통해 모델 정확도인 일반화 성능의 안정성을 입증하였고 투명을 포함한 설명가능에 중점을 두어 개발하였다. 변화무쌍한 데이터에 의해 학습이 결정되는 인공지능 모델은 생명주기 관리가 필요하다. 이에 인공지능 모델을 구성하는 데이터와 개발, 서비스 운영을 통합하는 MLOps 프레임워크에 대한 수요가 늘고 있다. EXE 실행형 악성코드와 문서형 악성코드 대응 서비스는 서비스 운영과 동시에 데이터 수집원이 되고, 외부 API를 통해 라벨링과 정제를 위한 정보를 가져오는 데이터 파이프라인과 연계하도록 구성하였다. 클라우드 SaaS 방식과 표준 API를 사용하여 다른 보안 서비스 연계나 인프라 확장을 용이하게 하였다.

Abstract ▼ AI-Helper

Malware attacks become more prevalent in the hyper-connected society of the 4th industrial revolution. To respond to such malware, automation of malware detection using artificial intelligence technology is attracting attention as a new alternative. However, using artificial intelligence without collateral for its reliability poses greater risks and side effects. The EU and the United States are seeking ways to secure the reliability of artificial intelligence, and the government announced a reliable strategy for realizing artificial intelligence in 2021. The government's AI reliability has five attributes: Safety, Explainability, Transparency, Robustness and Fairness. We develop four elements of safety, explainable, transparent, and fairness, excluding robustness in the malware detection model. In particular, we demonstrated stable generalization performance, which is model accuracy, through the verification of external agencies, and developed focusing on explainability including transparency. The artificial intelligence model, of which learning is determined by changing data, requires life cycle management. As a result, demand for the MLops framework is increasing, which integrates data, model development, and service operations. EXE-executable malware and documented malware response services become data collector as well as service operation at the same time, and connect with data pipelines which obtain information for labeling and purification through external APIs. We have facilitated other security service associations or infrastructure scaling using cloud SaaS and standard APIs.

주제어

표/그림 (24)

그림 Fig. 1. Core technology for each stage
표 Table 1. Technology Description
그림 Fig. 2. VirusTotal Score histogram of exe dataset. Since score 1 to 30 are ambiguous sections to determine whether the file is malicious or benign, we removed these data from the dataset.
그림 Fig. 3. Image of exe byte data. It is an byte image from an exe file, it showed malware families sometimes have a certain pattern.
표 Table 2. Upgraded performance after cleansing: about 8% improvement
표 Table 3. Extraction method by file type
그림 Fig. 4. API2Vec architecture[20]
그림 Fig. 5. N-gram Vectorization Results
그림 Fig. 6. Combined model using regression score
그림 Fig. 7. Composite model combining several single model
표 Table 4. Statistical data for data analysis
그림 Fig. 8. Trustworthy AI framework for malware response
표 Table 5. Single model performance comparison
표 Table 6. Multi model performance comparison
표 Table 7. BERT model performance comparison
표 Table 8. Reinforcement learning model performance comparison
표 Table 9. XAI model performance comparison
그림 Fig. 9. MLOps for malware response
그림 Fig. 10. AI framework for malware detection, analysis and verification
그림 Fig. 11. Infrastructure of AI framework
그림 Fig. 12. AI model for malware detection
그림 Fig. 13. Visualization for data analysis, model analysis, and predictive error analysis
표 Table 10. Assessment result by Certification body
표 Table 11. Visualization and Analysis

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 빅데이터 중심의 인공지능 학습은 데이터 분석과 오탐 원인을 분석하고 예측 과정을 설명하고자 하였다. 기존에는 악성코드 탐지에 인공지능 알고리즘을 적용하거나 학습 모델 생성 프레임워크를 개발하여 자동화하는 사례는 있지만, 악성코드 탐지 모델을 위한 학습 데이터 분석이나 오탐 분석 및 검증, 피드백 분석 등을 제공하지 못하였다.
본 논문에서는 악성코드 대응 자동화를 위해 신뢰할 수 있는 인공지능 모델을 만들고, 모델의 생명주기 관리를 위한 데이터와 모델, 비즈니스의 통합 프레임워크를 제안하였다.
기존에는 악성코드 탐지에 인공지능 알고리즘을 적용하거나 학습 모델 생성 프레임워크를 개발하여 자동화하는 사례는 있지만, 악성코드 탐지 모델을 위한 학습 데이터 분석이나 오탐 분석 및 검증, 피드백 분석 등을 제공하지 못하였다. 본 논문에서는 학습 데이터 샘플링을 위한 데이터 정제부터 다차원 데이터 분석 및 오탐 분석과 전문가 피드백 분석을 결합하여 신뢰성 있는 인공지능을 구현하고자 하였다.
신뢰성 연구는 신뢰성 기준을 수립하거나, XAI 알고리즘 연구가 대부분이나 우리는 프레임워크의 다양한 모델에 신뢰성 요소를 활용하는 것을 목적으로 한다. 견고를 제외한 4가지 신뢰성 요소를 악성코드 탐지를 위한 인공지능 모델에 적용하고 입증하였다.
신뢰할 수 있는 인공지능 모델 개발을 위하여 본 논문에서는 견고를 제외한 안전과, 설명 가능, 투명, 공정의 4가지 요소를 구현하였다. 특히 외부 기관의 검증을 통해 일반화 성능의 안정성을 입증하였고 투명을 포함한 설명 가능에 중점을 두어 개발하였다.
인공지능 개발의 효율성과 생산성을 개선할 수 있는 MLOps 개념을 적용하여 본 논문에서는 악성코드 대응 서비스를 위한 AI 프레임워크를 제안한다.

제안 방법

기존 연구는 특정 모델을 심층 연구하였다면 우리는 악성코드 탐지 모델에 다양한 방법을 활용하였다. PE 메타 정보를 이용한 모델, 이미지 모델, IG(엔트로피) 등을 이용한 빈도수 통계 모델, 워드 임베딩 모델 등 다양한 방법으로 정적, 동적 분석 데이터를 활용하여 모델링이 가능한 프레임워크를 구축하였다.
exe, PDF, hwp, MS Office 형식의 파일들을 대상으로 악성코드 탐지 모델을 설계, 개발하였다. 또한 데이터 분석과 모델 분석을 위한 시각화와 분석 기능을 추가하였다(Table 11.
다양한 방법의 학습 데이터 추출과 학습 알고리즘을 적용하여 모델을 생성해 보았다. 프레임워크를 위한 적절한 학습 데이터 추출 방법과 최적의 모델을 선별하는 작업이 필요하다.
데이터 추출, 피처 선택, 모델 생성, 데이터 및 오탐 분석을 자동화하여 사용자의 편리성을 높이고, AI 전문지식이 없어도 직접 악성코드 탐지 모델을 만들고 분석할 수 있도록 하였다.
데이터의 범위와 분포를 볼 수 있는 히스토그램, 파이 그래프 등으로 시각화된 분석이 가능하고, 이상치와 데이터 범위를 표현하여 신규, 변종 데이터를 식별할 수 있는 박스플롯을 시각화 하였다.
과 같이 모델을 병합하는 방법은 딥러닝을 이용하기 때문에 학습 시간이 많이 소요되며, 여러 제약 사항들이 존재한다. 또한, Fig.6.의 방법은 개별 모델을 생성할 수 있기 때문에, 서로 다른 두 가지 머신러닝 모델의 regression score를 사용하여 모델을 통합하는 방법을 프레임워크에 적용하였다.
모델의 평가 결과를 바탕으로 단일 모델의 프레임 워크에 적용된 추출 방법은 PE, 동적 분석, API Sequence, 문서 파일의 스트림 키워드 추출 방법이고, 빠르게 학습할 수 있는 LGB, XGB, RF 알고리즘을 적용하였다.
본 논문에서 제안한 프레임워크는 다양한 시각화 유형을 데이터의 종류나 특성별로 비교할 수 있도록 제공한다.
전문지식 없는 사용자에게도 쉽게 설명하고 전달할 수 있다. 시각화를 통해 데이터 분석, 모델 분석, 오탐 분석을 수행하여 모델 예측에 대한 투명성과 설명 가능성을 제공하였다. 전체적인 흐름을 시각적으로 파악하고 데이터와 모델에 대한 통찰을 발견할 수 있어 의사 결정을 도와준다.
)는 빅데이터 처리를 위한 NoSQL 서버, 악성코드 분석 서버, 인공지능 서버, 서비스 운영을 위한 SaaS 웹 서버, 웹 서비스용 관계형 DB(Maria DB)로 구성된다. 악성코드의 실시간 동적 분석을 위하여 가상 머신을 병렬 구성하였으며, 외부 API와 연결하여 지속적인 데이터 수집과 데이터 정제의 파이프라인을 구성하였다. 또한, 클라우드 SaaS 방식과 표준 API를 사용하여 다른 보안 서비스와 연계되도록 하였으며, 클라우드 방식으로 인프라 확장을 용이하게 하였다.
복합 모델은 여러 단일 모델을 결합하는 방법으로 Multi Modal, Ensemble 등의 기법이 있다. 이 연구에서는 Fig.6.와 같이 PE 정적 모델과 동적 API 모델의 예측 score를 기반으로 높은 score를 나타내는 모델의 결과를 반영하도록 복합 모델을 만들었다. 또한, Fig.
강화학습 모델은 agent가 action에 따라 보상(reward)을 주면서 학습시키는 알고리즘이다. 이 연구에서는 강화학습 중 DQN을 사용하여 PE 데이터의 최적 feature set을 찾는 작업을 수행하였다.
모델의 추론을 설명하기 위해 모델 검증과 오탐을 분석하는 기능을 제공하였다. 이상과 같은 안전, 투명, 설명 가능과 공정을 적용하여 신뢰성 있는 인공 지능 기술을 구현하였다.
클라우드 SaaS 방식과 표준 API를 사용하여 다른 보안 서비스 연계나 인프라 확장을 쉽게 하여서 exe 실행형 악성코드와 문서형 악성코드 대응 서비스를 구축하였다. 이렇게 운영되는 보안 서비스는 데이터 수집원이 되어 다양한 데이터를 수집할 수 있게 하고, 외부 API를 통해서 라벨링과 정제를 위한 정보를 가져오는 데이터 파이프라인을 구성하였다.
신뢰할 수 있는 인공지능 모델 개발을 위하여 본 논문에서는 견고를 제외한 안전과, 설명 가능, 투명, 공정의 4가지 요소를 구현하였다. 특히 외부 기관의 검증을 통해 일반화 성능의 안정성을 입증하였고 투명을 포함한 설명 가능에 중점을 두어 개발하였다.

대상 데이터

동적 분석 데이터는 가상 환경에서 PE 파일을 직접 실행시켜 얻은 정보이다. Cuckoo Sandbox의 가상 환경에서 파일을 실행하고 네트워크 정보, 프로세스 정보, 레지스트리 정보 등의 동적 분석 데이터를 추출하였다.
신뢰성 연구는 신뢰성 기준을 수립하거나, XAI 알고리즘 연구가 대부분이나 우리는 프레임워크의 다양한 모델에 신뢰성 요소를 활용하는 것을 목적으로 한다. 견고를 제외한 4가지 신뢰성 요소를 악성코드 탐지를 위한 인공지능 모델에 적용하고 입증하였다.
글로벌화 되는 악성코드에 대응하기 위해 글로벌 유료 데이터를 구매하였고, 글로벌 백신사의 악성 판정 값을 구하여 정제와 레이블 처리를 진행하였다.
문서형 악성코드의 OLE(Object Linking and Embedding) 문서 구조에서 스트림 추출 후 빈도수를 이용하여 키워드를 선별하고 데이터를 추출하였다.

데이터처리

다차원 분석을 진행하여 통계 분석, 이상치 분석, XAI 분석 등으로 데이터를 분석하여 인공지능 모델에게 영향을 주는 데이터를 찾아내는 등의 과정을 진행한다. 정상 파일과 악성 파일의 데이터 분포를 통계적 관점에서 분석하여 데이터 현황 및 결측값, 이상치 등을 빠르게 찾고 처리할 수 있다 (Table 4 참고).
다차원 분석을 통한 데이터 투명성과 모델 검증을 통해 진행된다. 모델의 추론을 설명하기 위해 모델 검증과 오탐을 분석하는 기능을 제공하였다. 이상과 같은 안전, 투명, 설명 가능과 공정을 적용하여 신뢰성 있는 인공 지능 기술을 구현하였다.
업로드된 데이터셋을 분석하여 최솟값, 최댓값, 평균값, kurt, Q1, Q2, Q3, skew, 이상치 비율 등을 통계, 박스 플롯, 히스토그램(Fig.13. data analysis) 등의 형태로 출력한다.

이론/모형

많은 언어 모델이 존재하는데 이 연구에서는 그 중 BERT를 사용하였다. BERT를 사용하여 API sequence 데이터를 학습하면 의미와 순서 정보를 포함해서 학습할 수 있으며, 대량의 말뭉치로 학습한 pre-trained 모델이 배포되어 있으므로 그것을 사용하여 API sequence 데이터를 fine-tuning 하였다.
단일 모델은 LightGBM, XGBoost, Random Forest와 같은 머신러닝 모델을 사용하였고, 딥러닝 모델로는 CNN, RNN, LSTM 등의 모델을 사용하였다. 이 중 CNN은 byte 데이터와 API sequence 데이터를 위해 사용하였고, RNN과 LSTM은 API sequence 데이터를 사용하여 Word2Vec을 이용하는 워드 임베딩 모델로 사용하였다.
API sequence 데이터와 같은 시퀀스 데이터는 시계열적 특성을 이용하여 학습하는 것이 좋다. 많은 언어 모델이 존재하는데 이 연구에서는 그 중 BERT를 사용하였다. BERT를 사용하여 API sequence 데이터를 학습하면 의미와 순서 정보를 포함해서 학습할 수 있으며, 대량의 말뭉치로 학습한 pre-trained 모델이 배포되어 있으므로 그것을 사용하여 API sequence 데이터를 fine-tuning 하였다.
데이터의 유형에 따라 적절한 알고리즘을 사용해야 하고, 성능 향상을 위해 여러 모델을 결합하여 사용하기도 한다. 이 연구에서는 하나의 알고리즘만 사용하는 단일 모델, 단일 모델을 결합하여 만든 복합 모델, 시퀀스 데이터 학습을 위한 언어 모델, feature selection을 위한 강화학습 모델을 사용하였다. 이후 모델 리스트에서는 각 모델에 사용된 데이터와 알고리즘에 대한 정보를 제공하여 투명성을 확보할 수 있게 하였다.
단일 모델은 LightGBM, XGBoost, Random Forest와 같은 머신러닝 모델을 사용하였고, 딥러닝 모델로는 CNN, RNN, LSTM 등의 모델을 사용하였다. 이 중 CNN은 byte 데이터와 API sequence 데이터를 위해 사용하였고, RNN과 LSTM은 API sequence 데이터를 사용하여 Word2Vec을 이용하는 워드 임베딩 모델로 사용하였다.
정제된 exe 파일은 동적 및 정적분석을 통한 다양한 데이터 추출을 진행하였고, 효과적인 학습을 위하여 피처 엔지니어링과 벡터화와 자체 개발한 빈도수 기반의 BRD(Binary Relevance & Difference)를 이용하였다.

성능/효과

언어 모델인 BERT에 대한 성능은 Table 7과 같다. BERT 모델의 성능은 90% 초반의 성능으로 다른 모델보다 성능이 우수하지 않고, 학습을 위한 토크나이징 등의 전처리 과정과 학습 과정이 오래 걸리기 때문에 프레임워크에 적용하기에는 적합하지 않은 모델이라고 판단하였다. 따라서 BERT에 대한 기능은 추후 연구를 통하여 최적화 방법을 찾기로 하다.
악성코드의 실시간 동적 분석을 위하여 가상 머신을 병렬 구성하였으며, 외부 API와 연결하여 지속적인 데이터 수집과 데이터 정제의 파이프라인을 구성하였다. 또한, 클라우드 SaaS 방식과 표준 API를 사용하여 다른 보안 서비스와 연계되도록 하였으며, 클라우드 방식으로 인프라 확장을 용이하게 하였다.
먼저 exe 파일에 관한 결과를 보면, PE와 동적 분석 추출 방식은 실행 시간도 적고, 자원 사용률도 낮아 적절하다. 그러나, byte 정보 추출의 경우에는 학습하는 데 시간이 오래 걸리고, 이미지 학습인 만큼 자원 사용률이 높은 것에 비해 정확도가 저조하다.
기본 feature set과 강화학습을 이용하여 찾은 feature set에 대한 비교이다. 원래 피처 개수인 144개에 비해 10개의 피처로도 상당히 좋은 성능을 보이고 있지만, 학습 시간이 매우 길어 강화학습을 이용해 피처를 찾는 것보다는 XAI 분석을 통한 방법이 더 적절하다고 판단하였다. 따라서 강화학습은 현재 프레임워크에는 적용하지 않고 추후 최적화 연구를 진행하여 적용할 예정이다.

후속연구

BERT 모델의 성능은 90% 초반의 성능으로 다른 모델보다 성능이 우수하지 않고, 학습을 위한 토크나이징 등의 전처리 과정과 학습 과정이 오래 걸리기 때문에 프레임워크에 적용하기에는 적합하지 않은 모델이라고 판단하였다. 따라서 BERT에 대한 기능은 추후 연구를 통하여 최적화 방법을 찾기로 하다.
원래 피처 개수인 144개에 비해 10개의 피처로도 상당히 좋은 성능을 보이고 있지만, 학습 시간이 매우 길어 강화학습을 이용해 피처를 찾는 것보다는 XAI 분석을 통한 방법이 더 적절하다고 판단하였다. 따라서 강화학습은 현재 프레임워크에는 적용하지 않고 추후 최적화 연구를 진행하여 적용할 예정이다.
본 논문에서 제시하는 신뢰할 수 있는 인공지능 프레임워크를 통해 안정적인 악성코드 대응 서비스뿐만 아니라, AI 생명주기 관리를 통해 인공지능 도입의 시행착오를 줄이는 계기가 되기를 바란다.

참고문헌 (33)

Gibert, D., Mateu, C., & Planes, J., "The rise of machine learning for detection and classification of malware: Research developments, trends and challenges," Journal of Network and Computer Applications, vol. 153, pp. 102526, Jan. 2020.

상세보기
K. P. Briefing, "Trusted artificial intelligence realization strategy," https://www.msit.go.kr/bbs/view.do?sCodeuser&mId113&mPid112&pageIndex&bbsSeqNo94&nttSeqNo3180239&searchOptALL&searchTxt,Sep. 2022.
C. P. SungIk Jo, WoongSikYoo,"Implementation strategies formachine learning operations (mlops)," Institute for Information&communication Technology Planning& evaluation (IITP), 1985(1), pp.2-16, Feb, 2021.
Kang, B., Yerima, S. Y., Sezer, S., &McLaughlin, K., "N-gram opcode analysis for android malware detection," arXiv preprintarXiv:1612.01445. 2016.
Santos, I., Brezo, F., Ugarte-Pedrero,X., & Bringas, P. G., "Opcode sequences as representation of executables for data-mining-based unknown malware detection," Information Sciences, vol. 231, pp.64-82, May. 2013.

상세보기
Saxe, J., & Berlin, K., "Deepneural network based malware detectionusing two dimensional binary programfeatures," In 2015 10th International Conference on Malicious and Unwanted Software (MALWARE), pp.11-20, Oct. 2015.
Shabtai, A., Moskovitch, R., Feher,C., Dolev, S., & Elovici, Y.,"Detecting unknown malicious codebyapplying classification techniques on opcode patterns," Security Informatics, vol. 1, no. 1, pp. 1-22,Feb. 2012.

상세보기
Kumar, N., Mukhopadhyay, S.,Gupta, M., Handa, A., & Shukla, S.,"Malware Classification using Early Stage Behavioral Analysis," IEEE Conference Publication I IEEE Xplore., pp. 16-23, Aug. 2019.
Han, W., Xue, J., Wang, Y., Huang, L., Kong, Z., & Mao, L., "MalDAE: Detecting and explaining malware based on correlation and fusion of static and dynamic characteristics," Computers & Security, vol. 83, pp. 208-233, Jun. 2019.

상세보기
Fuyong, Z., & Tiezhu, Z., "Malware detection and classification based on n-grams attribute similarity," In 2017 IEEE international conference on computational science and engineering (CSE) and IEEE international conference on embedded and ubiquitous computing (EUC), vol. 1, pp. 793-796, Jul. 2017.
Mikolov, T., Chen, K., Corrado, G., & Dean, J., "Efficient estimation of word representations in vector space," arXiv preprint arXiv:1301.3781, 2013.
Pascanu, R., Stokes, J. W., Sanossian, H., Marinescu, M., & Thomas, A, "Malware classification with recurrent networks," In 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1916-1920, Apr. 2015.
Hardy, W., Chen, L., Hou, S., Ye, Y., & Li, X., "DL4MD: A deep learning framework for intelligent malware detection," In Proceedings of the International Conference on Data Science (ICDATA). The Steering Committee of The World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp), pp. 61-67, 2016.
Jung, B., Kim, T., & Im, E. G., "Malware classification using byte sequence information," In Proceedings of the 2018 Conference on Research in Adaptive and Convergent Systems, pp. 143-148, Oct. 2018.
Gibert, D., "Convolutional neural networks for malware classification," University Rovira i Virgili, Tarragona, Spain, pp. 1-98, Oct. 2016.
Kolosnjaji, B., Eraisha, G., Webster,G., Zarras, A., &Eckert, C,"Empowering convolutional networks for malware classification and analysis," In 2017 International Joint Conference on Neural Networks(IJCNN), pp. 3838-3845, May. 2017.
Raff, E., Barker, J., Sylvester, J.,Brandon, R., Catanzaro, B., Nicholas, C. K., "Malware detection by eatingawhole exe," In Workshops at the Thirty-Second AAAI Conferenceon Artificial Intelligence, pp. 268-276,Jun. 2018.
"Word2vec: Google's NewLeapForward on the Vectorized Representation of Words," Medium,2. Jun. 2018.
Le, Q., Boydell, O., Mac Namee, B.,& Scanlon, M, "Deep learning at theshallow end: Malware classificationfor non-domain experts," Digital Investigation, vol.26, pp. S118-S126,Jul. 2018.

상세보기
Trong Duc Nguyen, Anh Tuan Nguyen, Hung Dang Phan, and Tien N Nguyen, "Exploring apiembedding for apiusages and applications," In2017 IEEE/ACM 39th International Conference on Software Engineering(ICSE), pp. 438-449, Jul. 2017.
Lee, Y., Kwon, H., Choi, S. H., Lim,S. H., Baek, S. H., & Park, K. W.,"Instruction 2vec: efficient preprocessor of assembly code to detect software weakness with CNN," Applied Sciences, vol. 9, no. 19, pp. 4086, Sep. 2019.
Cho, S., Yoo, W., Pyo, C., "Machine Learning Operations (MLOps) Implementation Strategy," https://kosen.kr/file/down/FILE_000000000051750/1, IITP, weekly tech trend, pp.2-16, Feb. 2021.
KIAT[Agile], "Driving innovation in AI development, what is 'mlops'?" https://www.kiat.or.kr/commonfile/fileidDownLoad.do?file_id58516, Aug. 2022.
S. Poudyal and D. Dasgupta, "Ai-powered ransomware detection framework," in 2020 IEEE Symposium Series on Computational Intelligence (SSCI), pp. 1154-1161, Dec. 2020.
O. Aslan and A. A. Yilmaz, "A new malware classification framework based on deep learning algorithms," Ieee Access, vol. 9, pp. 87936-87951, Jun. 2021.

상세보기
C. Urcuqui-Lopez and A. N. Cadavid, "Framework for malware analysis in android," Sistemas y Telematica, vol. 14, no. 37, pp. 45-56, Aug. 2016.

상세보기
L. Caviglione, M. Gaggero, J.-F. Lalande, W. Mazurczyk, and M. Urbanski, "Seeing the unseen: revealing mobile malware hidden communications via energy consumption and artificial intelligence," IEEE Transactions on Information Forensics and Security, vol. 11, no. 4, pp. 799-810, Dec. 2015

상세보기
Virusshare, "Forensics, C.: Virusshare",https://virusshare.com/, Sep. 2022.
VirsuTotal, "Virustotal.com", https://www.virustotal.com/, Sep. 2022.
Khalid, S., Khalil, T., &Nasreen, S.,"A survey of feature selection and feature extraction techniquesinmachine learning," In 2014 science and information conference, pp.372-378, Aug. 2014.
Peng, H., Long, F., &Ding, C.,"Feature selection based onmutual information criteria of max-dependency, max-relevance, andmin-redundancy," IEEE Transactionson pattern analysis and machineintelligence, vol. 27, no. 8, pp.1226-1238, Jun. 2005.

상세보기
A. B. Arrieta, N. Diaz-Rodriguez, J.Del Ser, A. Bennetot, S. Tabik, A.Barbado, S. Garcia, S. Gil-Lopez, D.Molina, R. Benjamins, et al.,"Explainable artificial intelligence(xai): Concepts, taxonomies, opportunities and challenges towardresponsible ai," Information fusion,vol. 58, pp. 82-115, Jan. 2020.

상세보기
Lim, H., Kim, S., "The needandresearch trends for explainableAI(XAI)," Journal of Information Technology and Applied Engineering(JITAE), 12(1), pp. 51-57, Apr. 2022.

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