본문 바로가기
KERD
논문KCI 등재

악성코드의 이미지화 방법이 딥러닝 기반의 악성코드 분류 성능에 미치는 영향 분석

Analysis of the impact of the visualization methods for malware on deep learning-based malware classification performance

이종관|송무준
화랑대연구소 (Hwarang Dae Research Institute)|2021.02|한국군사학논집 (Korean Journal of Military Art and Science)|제77권 제1호|pp. 511-530|DOI 10.31066/kjmas.2021.77.1.019

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

딥러닝deep learning보간법악성코드 분류악성코드 이미지화이미지 크기malware classificationvisualized malware

초록

본 연구를 통해 악성 코드 이미지 크기 조정 과정에서 필수적인 보간법과 이미지 크기가 딥 러닝 기반 악성 코드 분류 성능에 미치는 영향을 제시한다. Nearest neighbor 기법을 적용하여 학습 한 모델은 Nearest neighbor 기법을 적용한 영상에 대해 우수한 성능을 보였고, 다른 방법을 적용한 모델은 낮은 성능을 보였다. Bilinear 기법을 적용하여 훈련한 모델은 이미지의 크기에 따라 성능이 조금씩 상이했다. 즉, Bilinear, Bicubic 기법이 적용된 이미지를 분류함에 있어, 이미지의 크기가 상대적으로 작은 이미지 분류에는 Bilinear 기법이 적용된 이미지로 훈련한 모델이, 이미지의 크기가 상대적으로 큰 이미지 분류에서는 Bicubic 기법이 적용된 이미지로 훈련한 모델이 좋은 성능을 나타내었다.

Abstract

Through this study, we present the effect of the interpolation method and image size, which are essential processes in the process of resizing malware images, on the performance of deep learning based malware classification. The model trained by applying the nearest neighbor method showed the best performance for the image to which the nearest neighbor method was applied, and the model to which the other method was applied showed poor performance. The model trained by applying the bilinear technique slightly differed depending on the size of the image. In other words, in classifying images to which the Bilinear and Bicubic techniques are applied, the model trained with the Bilinear technique applied to classifying images with a relatively small image size, and the Bicubic technique applied to classifying images with a relatively large image size. The model trained with showed good performance.

참고문헌 (23)

  1. 김태근, "악성코드 변종 탐지를 위한 코드 재사용 분석 기법", 정보보호학회지, 24(1), pp.32~38 (2014)
  2. 김혜정, "악성코드로부터 빅데이터를 보호하기 위한 이미지 기반의 인공지능 딥러닝 기법", 전자공학회논문지, 54(2), pp.76~82 (2017), 대한전자공학회
  3. 권혜윤, "머신 러닝을 이용한 악성코드의 분류", 한국정보과학회 학술대회 (2017)
  4. 석선희, "Convolutional Neural Network 기반의 악성코드 이미지화를 통한 패밀리 분류", 정보보호학회논문지, 26(1), pp.197~208 (2016), 한국정보보호학회[DOI]
  5. 유정빈, "기계 학습을 활용한 변종 악성코드 식별 연구 동향 분석", 정보보호학회지, 27(3), pp.12~19 (2017)
  6. 유정빈, "하이브리드 특징 및 기계학습을 활용한 효율적인 악성코드 분류 시스템 개발 연구", 정보보호학회논문지, 28(5), pp.1161~1167 (2018), 한국정보보호학회[DOI]
  7. 이태진, "머신러닝을 이용한 지능형 악성코드 분석기술 동향", 정보보호학회지, 28(2), pp.12~19 (2018)
  8. 정성민, "V-그램: 명령어 기본 블록과 딥러닝 기반의 악성코드 탐지", 정보과학회논문지, 46(7), pp.599~605 (2019), 한국정보과학회[DOI]
  9. 조영복, "딥러닝 기반의 R-CNN을 이용한 악성코드 탐지 기법", 디지털콘텐츠학회논문지, 19(6), pp.1177~1183 (2018), 한국디지털콘텐츠학회[DOI]
  10. 최선오, "딥러닝을 이용한 악성코드탐지 연구동향", 정보보호학회지, 27(3), pp.20~26 (2017)
  11. 최양서, "악성프로그램 탐지를 위한 PE헤더 특성 분석 기술", 융합보안 논문지, 8(2), pp.63~70 (2008), 한국융합보안학회
  12. 한경수, "API 순차적 특징을 이용한 악성코드 변종 분류 기법", 보안공학연구논문지, 8(2), pp.319~335 (2011), 보안공학연구지원센터
  13. Ankit Prajapati, "Evaluation of Different Image Interpolation Algorithms", International Journal of Computer Applications, 58(12), pp.6~12 (2012)
  14. Gibert, D., "The rise of machine learning for detection and classification of malware : Research developments, trends and challenges", Journal of Network and Computer Applications, 153, pp.102526~ (2020)
  15. Gibert, D., "Classification of malware by using structural entropy on convolutional neural networks", AAAI, ~ (2018)
  16. Gibert, D., "Using convolutional neural networks for classification of malware represented as i mages", Journal of Computer Virology and Hacking Techniques, 15(1), pp.15~28 (2019)
  17. G. Jacob, "A static, packer-agnostic filter to detect similar malware samples", International Conference on Detection of Intrusions and Malware, and Vulnerability Assessment, pp.102~122 (2012)
  18. KS Han, "Malware analysis using visualized images and entropy graphs", International Journal of Information Security, 14(1), pp.1~14 (2014)
  19. L. Nataraj, "Malware images : visualization and automatic classification", Proceeding of the 8th international symposium on visualization for cyber security, pp.1~7 (2011)
  20. PankajS. Parsania, "A Review : Image Interpolation Techniques for Image Scaling", International Journal of Innovative Research in Computer and Communication Engineering, 2(12), pp.7409~7413 (2014)
  21. Pankaj Parsania, "A Comparative Analysis of Image Interpolation Algorithms", International Journal of Advanced Research in Computer and Communication Engineering, 5(2), pp.29~34 (2016)
  22. "TUTORIAL: IMAGE RESCALING" (2011)[URL]
  23. SOLIS, D., "Convolutional neural networks for clas sification of malware assembly code", Recent Advances in Artificial Intelligence Research and Development: Proceedings of the 20th International Conference of the Catalan Association for Artificial Intelligence, 300, pp.22~ (2017)

관련 논문AI추천

기계학습 기반 악성코드 검출을 위한 이미지 생성 방법김진이, 안준선, 전예진한국정보보호학회 · 정보보호학회논문지2022 · 제32권 제2호Convolutional Neural Network 기반의 악성코드 이미지화를 통한 패밀리 분류김호원, 석선희한국정보보호학회 · 정보보호학회논문지2016 · 제26권 제1호Opcode 빈도수 기반 악성코드 이미지를 활용한 CNN 기반 악성코드 탐지 기법고석민, 김태근, 양재혁, 최원준한국정보보호학회 · 정보보호학회논문지2022 · 제32권 제5호악성코드의 특성 이미지화를 통한 딥러닝 기반의 탐지 모델문형진, 황윤철중소기업융합학회 · 융합정보논문지2021 · 제11권 제11호높은 정확도를 위한 이미지 전처리와 앙상블 기법을결합한 이미지 기반 악성코드 분류 시스템에 관한 연구김미희, 김해수한국정보처리학회 · 정보처리학회논문지. 컴퓨터 및 통신시스템2022 · 제11권 제7호심층 신경망 기반 차세대 악성코드 탐지에 관한 연구 (악성코드 시각화 및 고성능 분류 / 이상탐지 모델 개발)이민섭, 이윤섭국방보안연구소 · 국방과 보안2025 · 제7권 제1호

이 간행물의 다른 논문 (18건)

독일 그뤼네스 반트 사례를 통한 「DMZ 평화의 길」 조성 및 보존에 관한 연구이영주, 박영준pp. 1-27다문화 군대 대비 국방정책 발전 방안(2)-다양성 관리(Diversity Management)차원에서-차용환pp. 28-56재해대응과 민군관계: 도호쿠대지진과 일본의 문민통제를 중심으로이화준, 박인보pp. 57-87육군3사관학교 사관생도의 병과선택에 관한 실증 분석이정열pp. 88-117전망이론과 민군관계: 무력사용을 중심으로송승종pp. 118-146
원문 보기