[논문]딥러닝을 이용한 모바일 환경에서 변종 악성코드 탐지 알고리즘

우성희; 조영복

딥러닝을 이용한 모바일 환경에서 변종 악성코드 탐지 알고리즘
Algorithm for Detecting Malicious Code in Mobile Environment Using Deep Learning 원문보기

우성희 (한국교통대학교) , 조영복 (대전대학교)

제안 논문은 딥러닝 알고리즘을 이용해 모바일 환경에서 변종 악성코드 탐지 알고리즘을 제안한다. 안드로이드 기반의 행위 기반의 악성코드 탐지 방법의 문제점을 해결하기 위해 시그니처 기반 악성코드 탐지방법과 머신 러닝(Machine Learning)기법을 활용한 실시간 악성파일 탐지 알고리즘을 통해 높은 탐지율을 증명하였다.

This paper proposes a variant malicious code detection algorithm in a mobile environment using a deep learning algorithm. In order to solve the problem of malicious code detection method based on Android, we have proved high detection rate through signature based malicious code detection method and realtime malicious file detection algorithm using machine learning method.

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

문제 정의

본 논문에서는 딥러닝을 이용한 모바일 환경에서 변종 악성코드를 탐지하는 알고리즘을 제안한다. 따라서 비트맵 이미지 구조는 그림 1에서 보듯 비트맵 파일헤더와 비트맵인포헤더, 픽셀어레이로 구성되고 비트맵파일헤더와 피트맵인포헤더는 운영 체제나 응용 프로그램에서 비트맵 이미지를 제대로 해석하기 위해 필요한 정보로, 운영체제에 따라 일부 차이가 있다.
기존의 바이러스 백신이나 안티스파이웨어 등의 보안 프로그램은 이미 알려진 형태의 악성 프로그램에 대한 정보(예를 들면, 이진 코드 중의 특정 부분에 대한 패턴 정보)를 기초로 해당 악성 프로그램을 검출하거나 그 실행을 차단하는 방식으로 작동 한다.본 논문에서는 악성코드를 탐지하기 위한 비시그니처 기반 머신 러닝 방법을 제안한다. 제안한 방법은 실행파일에서 추출된 각 특징을 학습하고 변종유무를 판단한다.

제안 방법

파일 외부에서 확인 시 악성 기능에 해당하는 코드•데이터가 바로 발견되지 않도록 인코딩 등의 과정을 거쳐 은닉하는데, 악성코드 종류에 따라 매우 다양한 데이터 은닉 기법이 발견되고 있다. 법을 사용하고, 잡음 영상에서 정보 손실이 나타나는 드랍 아웃과 같은 영역에서 분할의 오류를 개선하기 위해 곡선적합을 이용하여 분할의 잘못된 결과를 보정함으로써 경계선의 완만성을 향상시켰다. 또한 잡음 영상의 특성과 방향성을 고려한 영상 특징을 사용하여 경계선 분할을 통해 영상 획득 시 발생 하는 다양한 잡음의 종류와 방향성을 갖는 대상 객체의 경계선에서 강건하고 정확한 분할 결과를 제공한다.
또한 잡음 영상의 특성과 방향성을 고려한 영상 특징을 사용하여 경계선 분할을 통해 영상 획득 시 발생 하는 다양한 잡음의 종류와 방향성을 갖는 대상 객체의 경계선에서 강건하고 정확한 분할 결과를 제공한다. 아울러, 대상 구조의 지역적 응집성 크기와 적분 영상을 적용함으로써 영상 특징 추출에 소요되는 계산시간을 최소화하였다. 악성 데이터를 비트맵 이미지(BMP) 형태로 위장한 형태의 악성코드를 알아보기에 앞서 우선 비트맵 이미지에 대한 기본적인 이해가 필요하다.
본 논문에서는 악성코드를 탐지하기 위한 비시그니처 기반 머신 러닝 방법을 제안한다. 제안한 방법은 실행파일에서 추출된 각 특징을 학습하고 변종유무를 판단한다. 악성코드의 패 반복 영역을 단순히 시그니터로 추출하여 생성함으로 정확도를 향상시켰다.
시그니쳐를 사용하여 정확하게 탐지되지 않는 악성코드는 정의된 의심스러운 기준들의 휴리스틱 룰셋과 비교하여 탐지하게 된다. 특정한 코딩 기법의 사용, 의심스러운 것으로 생각되는 행위와 구문들과 그러한 의심스러운 행위들의 조합 등을 통해 해당 파일에 대한 위험을 정의하고 변종 및 유사한 악성코드들을 딥러닝기반으로 탐지한다.

성능/효과

법을 사용하고, 잡음 영상에서 정보 손실이 나타나는 드랍 아웃과 같은 영역에서 분할의 오류를 개선하기 위해 곡선적합을 이용하여 분할의 잘못된 결과를 보정함으로써 경계선의 완만성을 향상시켰다. 또한 잡음 영상의 특성과 방향성을 고려한 영상 특징을 사용하여 경계선 분할을 통해 영상 획득 시 발생 하는 다양한 잡음의 종류와 방향성을 갖는 대상 객체의 경계선에서 강건하고 정확한 분할 결과를 제공한다. 아울러, 대상 구조의 지역적 응집성 크기와 적분 영상을 적용함으로써 영상 특징 추출에 소요되는 계산시간을 최소화하였다.

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

딥러닝을 이용한 모바일 환경에서 변종 악성코드 탐지 알고리즘
Algorithm for Detecting Malicious Code in Mobile Environment Using Deep Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝을 이용한 모바일 환경에서 변종 악성코드 탐지 알고리즘 Algorithm for Detecting Malicious Code in Mobile Environment Using Deep Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝을 이용한 모바일 환경에서 변종 악성코드 탐지 알고리즘
Algorithm for Detecting Malicious Code in Mobile Environment Using Deep Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper