[논문]로컬 특징 기반 글로벌 이미지를 사용한 CNN 기반의 악성코드 분류 방법

장세준; 성연식

로컬 특징 기반 글로벌 이미지를 사용한 CNN 기반의 악성코드 분류 방법
Convolutional Neural Network-based Malware Classification Method utilizing Local Feature-based Global Image 원문보기

장세준 (동국대학교 멀티미디어공학과) , 성연식 (동국대학교 멀티미디어공학과)

최근 악성코드로 인한 피해가 증가하고 있다. 악성코드는 악성코드가 속한 종류에 따라서 대응하는 방법도 다르기 때문에 악성코드를 종류별로 분류하는 연구도 중요하다. 기존에는 악성코드 시각화 과정을 통해서 생성된 악성코드의 글로벌 이미지를 사용해 악성코드를 각 종류별로 분류한다. 글로벌 이미지를 악성코드로부터 추출한 바이너리 정보를 사용해서 생성한다. 하지만, 글로벌 이미지만을 사용해서 악성코드를 각 종류별로 분류하는 경우 악성코드의 종류별로 중요한 특징을 고려하기 않기 때문에 분류 정확도가 떨어진다. 본 논문에서는 악성코드의 글로벌 이미지에 악성코드의 종류별 특징을 나타내기 위한 로컬 특징 기반 글로벌 이미지를 사용한 악성코드 분류 방법을 제안한다. 첫 번째, 악성 코드로부터 바이너리를 추출하고 추출된 바이너리를 사용해서 글로벌 이미지를 생성한다. 두 번째, 악성 코드로부터 로컬 특징을 추출하고 악성코드의 종류별 핵심 로컬 특징을 단어-역문서 빈도(Term Frequency Inverse Document Frequency, TFIDF) 알고리즘을 사용해 선택한다. 세 번째, 생성된 글로벌 이미지에 악성코드의 패밀리별 핵심 특징을 픽셀화해서 적용한다. 네 번째, 생성된 로컬 특징 기반 글로벌 이미지를 사용해서 컨볼루션 모델을 학습하고, 학습된 컨볼루션 모델을 사용해서 악성코드를 각 종류별로 분류한다.

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

문제 정의

이 논문에서는 로컬 특징 기반 글로벌 이미지를 사용한 악성코드 분류 방법을 다음과 같이 제안했다. 첫 번째, 데이터베이스로부터 역공학기를 사용해서 바이트 파일과 ASM 파일을 추출했다.

제안 방법

추출된 로컬 특징과 선택된 로컬 특징을 사용해서 시각화 과정을 통해 로컬 특징 기반 글로벌 이미지를 생성했다. 네 번째, 로컬 특징 기반 글로벌 이미지를 통해서 악성코드를 각 종류별로 분류했다.
8자리의 2진수는 0부터 255까지의 값을 표현할 수 있기 때문에 그레이스케일 이미지의 픽셀로 사용하기 적합하다. 바이너리를 사용해 생성한 글로벌 이미지에 로컬 특징과 선택된 로컬 특징을 사용해서 악성코드의 각 종류별 중요한 특징을 RGB 픽셀로 적용한다.
8bit의 바이너리는 하나의 픽셀로 사용해서 글로벌 이미지를 생성했다. 세 번째, ASM 파일로부터 로컬 특징인 opcode를 추출하고, TF-IDF 알고리즘을 통해 악성코드의 각 종류별 중요한 특징을 선택했다. 추출된 로컬 특징과 선택된 로컬 특징을 사용해서 시각화 과정을 통해 로컬 특징 기반 글로벌 이미지를 생성했다.
두 번째, 악성 코드로부터 로컬 특징을 추출하고 단어-역문서 빈도(Term Frequency Inverse Document Frequency, TFIDF) 알고리즘을 사용해서 악성코드의 패밀리별 중요 로컬 특징을 선택한다. 세 번째, 악성코드의 글로벌 이미지에 선택된 로컬 특징을 RGB 픽셀화해서 적용한다. 제안하는 로컬 특징 기반의 글로벌 이미지를 사용한 악성코드 분류 방법은 악성코드의 글로벌 이미지에 악성코드의 종류별 핵심 특징을 포함한다.
이 논문에서는 로컬 특징 기반의 글로벌 이미지를 사용한 악성코드 분류 방법을 다음과 같이 제안한다: 첫 번째, 악성코드로부터 바이너리 정보를 추출해서 악성코드의 글로벌 이미지를 생성한다. 두 번째, 악성 코드로부터 로컬 특징을 추출하고 단어-역문서 빈도(Term Frequency Inverse Document Frequency, TFIDF) 알고리즘을 사용해서 악성코드의 패밀리별 중요 로컬 특징을 선택한다.
세 번째, 악성코드의 글로벌 이미지에 선택된 로컬 특징을 RGB 픽셀화해서 적용한다. 제안하는 로컬 특징 기반의 글로벌 이미지를 사용한 악성코드 분류 방법은 악성코드의 글로벌 이미지에 악성코드의 종류별 핵심 특징을 포함한다. 악성코드의 전체 구조와 로컬 특징을 고려하는 동시에 악성코드의 종류별 중요 특징을 한 장의 이미지에 포함할 수 있다.
(그림 1)은 제안하는 방법인 로컬 특징 기반 글로벌 이미지를 사용한 악성코드 분류 방법의 개요를 보여준다. 제안하는 방법은 입력 과정, 전처리 과정 그리고 학습 및 실행 과정으로 나뉜다.
이 논문에서는 로컬 특징 기반 글로벌 이미지를 사용한 악성코드 분류 방법을 다음과 같이 제안했다. 첫 번째, 데이터베이스로부터 역공학기를 사용해서 바이트 파일과 ASM 파일을 추출했다. 두 번째, 바이트 파일로부터 바이너리를 추출하고 8bit 단위로 나눴다.
세 번째, ASM 파일로부터 로컬 특징인 opcode를 추출하고, TF-IDF 알고리즘을 통해 악성코드의 각 종류별 중요한 특징을 선택했다. 추출된 로컬 특징과 선택된 로컬 특징을 사용해서 시각화 과정을 통해 로컬 특징 기반 글로벌 이미지를 생성했다. 네 번째, 로컬 특징 기반 글로벌 이미지를 통해서 악성코드를 각 종류별로 분류했다.

이론/모형

이 논문에서는 로컬 특징 기반의 글로벌 이미지를 사용한 악성코드 분류 방법을 다음과 같이 제안한다: 첫 번째, 악성코드로부터 바이너리 정보를 추출해서 악성코드의 글로벌 이미지를 생성한다. 두 번째, 악성 코드로부터 로컬 특징을 추출하고 단어-역문서 빈도(Term Frequency Inverse Document Frequency, TFIDF) 알고리즘을 사용해서 악성코드의 패밀리별 중요 로컬 특징을 선택한다. 세 번째, 악성코드의 글로벌 이미지에 선택된 로컬 특징을 RGB 픽셀화해서 적용한다.
추출된 로컬 특징은 로컬 특징 선택기에 입력된다. 로컬 특징 선택기는 TFIDF 알고리즘을 사용해서 악성코드의 각 패밀리별 중요 특징을 선택한다[1]. 바이너리, 로컬 특징, 그리고 선택된 로컬 특징은 시각화기에 입력된다.

성능/효과

첫 번째, 데이터베이스로부터 역공학기를 사용해서 바이트 파일과 ASM 파일을 추출했다. 두 번째, 바이트 파일로부터 바이너리를 추출하고 8bit 단위로 나눴다. 8bit의 바이너리는 하나의 픽셀로 사용해서 글로벌 이미지를 생성했다.

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

로컬 특징 기반 글로벌 이미지를 사용한 CNN 기반의 악성코드 분류 방법
Convolutional Neural Network-based Malware Classification Method utilizing Local Feature-based Global Image 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

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

로컬 특징 기반 글로벌 이미지를 사용한 CNN 기반의 악성코드 분류 방법 Convolutional Neural Network-based Malware Classification Method utilizing Local Feature-based Global Image 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

로컬 특징 기반 글로벌 이미지를 사용한 CNN 기반의 악성코드 분류 방법
Convolutional Neural Network-based Malware Classification Method utilizing Local Feature-based Global Image 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper