높은 정확도를 위한 이미지 전처리와 앙상블 기법을결합한 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
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
최근 정보통신 기술의 발전이 많은 이에게 이점이 되고 있지만, 그와 동시에 새로운 프로그램의 취약점을 통해 악의적 공격 시도 또한 증가하고있다. 악의적 공격 중 악성코드는 다양한 방식으로 동작하며 매번 새로운 방식으로 사람들에게 유포되고 이러한 악성코드들을 해결하기 위해 발견된악성코드를 빠르게 분석하여 방어기법을 제공해야 한다. 새로운 악성코드를 기존 악성코드와 동일한 종류로 분류할 수 있다면 동작의 유사성을가진 악성코드들의 분석된 특징을 이용해 새로운 악성코드의 방어기법을 제공할 수 있다. 따라서 악성코드를 정확하고 빠르게 분류하는 방법이있어야 한다. 또한, 분석된 악성코드들의 패밀리 마다 데이터의 개수가 균일하지 않을 수 있으므로 이에 대한 해결방안이 필요하다. 본 논문에서는이미지 전처리 기법과 앙상블 기법을 결합하여 개수가 균일하지 않은 데이터에서 정확도를 높이는 시스템을 제안한다.
Abstract
Recent development in information and communication technology has been beneficial to many, but at the same time, malicious attackattempts are also increasing through vulnerabilities in new programs. Among malicious attacks, malware operate in various ways andis 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 providedefense techniques for new malware using analyzed malware. Therefore, there is a need for a solution to this because the method ofaccurately and quickly classifying malware and the number of data may not be uniform for each family of analyzed malware. This paperproposes a system that combines image preprocessing and ensemble techniques to increase accuracy in imbalanced data.
참고문헌 (15)
- "Cyber Threat Prospects for 2021" (2021)[URL]
- "2021 McAfee Threats report"[URL]
- "Press Release, WatchGuard" (2021)[URL]
- L. Nataraj, "Malware images: Visualization and automatic classification", Proceedings of the 8th International Symposium on Visualization for Cyber Security, (4), pp.1~7 (2011)
- H. Kim, "Image-based malware classification system using image preprocessing and ensemble techniques", Proceedings of the Korea Information Processing Society Conference, pp.715~718 (2021), Korea Information Processing Society
- M. Sahin, "A survey on malware detection with deep learning", 13th International Conference on Security of Information and Networks, (34), pp.1~6 (2020)
- 김세진, "영상처리기법을 이용한 CNN 기반 리눅스 악성코드 분류 연구", 한국산학기술학회논문지, 21(9), pp.634~642 (2020), 한국산학기술학회[DOI]
- S. Yue, "Imbalanced malware images classification: A CNN based approach", arXiv preprint arXiv:1708.08042, ~ (2017)
- T. Ojala, "A comparative study of texture measures with classification based on featured distributions", Pattern Recognition, 29(1), pp.51~59 (1996)
- N. Dalal, "Histograms of oriented gradients for human detection", International Conference on Computer Vision & Pattern Recognition (CVPR), pp.886~893 (2005)
- K. O'Shea, "An introduction to convolutional neural networks", arXiv preprint arXiv:1511.08458, ~ (2015)
- S. Hochreiter, "LONG SHORT-TERM MEMORY", Neural Computation, 9(8), pp.1735~1780 (1997)
- R. O’Brien, "A random forests quantile classifier for class imbalanced data", Pattern Recognition, 90, pp.232~249 (2019)
- 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, "Microsoft malware classification challenge", arXiv preprint arXiv:1802.10135, ~ (2018)