악성코드의 특성 이미지화를 통한 딥러닝 기반의 탐지 모델
Detection Model based on Deeplearning through the Characteristics Image of Malware
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
인터넷의 발달로 많은 편리와 이익을 얻었지만 반대로 지능화되는 악성코드로 인하여 사용자의 경제적, 사회적 피해를 주고 있다. 이를 탐지하고 방어하기 위해 대부분 시그니처 기반의 탐지나 방어 프로그램을 사용하지만 지능화된 악성코드의 변종을 막기에는 매우 어렵다. 따라서 본 논문에서는 쏟아져 나오는 지능화된 악성코드를 탐지하고 방어할 수 있는 모델을 제안한다. 제안 모델은 악성코드의 특성을 이미지화하여 딥러닝을 이용한 학습을 통해 만들어지며 새롭게 탐지된 악성코드와 악성코드 변종들은 이미지화를 수행한 다음 만들어진 모델에 적용하여 탐지한다. 제안된 모델을 사용하면 기존에 탐지되었던 악성코드와 더불어 유사한 변종도 대부분 탐지됨을 알 수 있다.
Abstract
Although the internet has gained many conveniences and benefits, it is causing economic and social damage to users due to intelligent malware. Most of the signature-based anti-virus programs are used to detect and defend this, but it is insufficient to prevent malware variants becoming more intelligent. Therefore, we proposes a model that detects and defends the intelligent malware that is pouring out in the paper. The proposed model learns by imaging the characteristics of malware based on deeplearning, and detects newly detected malware variants using the learned model. It was shown that the proposed model detects not only the existing malware but also most of the variants that transform the existing malware.
참고문헌 (15)
- "McAfee Labs Threats Report"[URL]
- D. Ucci, "Survey of machine learning techniques for malware analysis", Computers & Security, 81, pp.123~147 (2019)[DOI]
- 문형진, "빅데이터를 이용한 APT 공격 시도에 대한 효과적인 대응 방안", 융합정보논문지, 6(1), pp.17~23 (2016), 중소기업융합학회[DOI]
- C. Chen, "Applying Convolutional Neural Network for Malware Detection", 2019 IEEE 10th International Conference on Awareness Science and Technology (iCAST), pp.1~5 (2019)
- L. Nataraj, "Malware Images: Visualization and Automatic Classification", Proceedings of the 8th International Symposium on Visualization for Cyber Security, pp.1~7 (2011)
- 김지연, "합성곱신경망 기반의 StyleGAN 이미지 탐지모델", 멀티미디어학회논문지, 22(12), pp.1447~1456 (2019), 한국멀티미디어학회[DOI]
- A. Hidakay, "Consecutive Dimensionality Reduction by Canonical Correlation Analysis for Visualization of Convolutional Neural Networks", Proceedings of the ISCIE international symposium on stochastic systems theory and its applications, 2017, pp.160~167 (2017)
- D. Moon, "Host-based intrusion detection system for secure humancentric computing", Journal of Supercomputing, 72(7), pp.2520~2536 (2016)
- W. Huang, "MtNet: A Multi-Task Neural Network for Dynamic Malware Classification", International Conference on Detection of Intrusions and Malware &Vulnerability Assessment, pp.399~418 (2016)
- W. Xu, "Automatically Evading Classifiers", Proceedings of the 2016network and distributed systems symposium, 10 (2016)
- D. Gibert, "Convolutional Neural Networks for Malware Classification", Master, pp.2016
- G. E. Dahl, "Large-Scale Malware Classification using Random Projections and Neural Networks", 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, pp.3422~3426 (2013)
- S. Visa, "Confusion Matrix-based Feature Selection", Proceedings of The 22nd Midwest Artificial Intelligence and Cognitive Science Conference (2011)
- "Microsoft Malware Classification Challenge(BIG 2015)" (2015)[URL]
- 조영민, "API Call Time Interval을 활용한 머신러닝 기반의 악성코드 탐지", 정보보호학회논문지, 30(1), pp.51~58 (2020), 한국정보보호학회[DOI]