지능적 탐지 모델을 위한 악의적인 코드의 특징 정보 추출 및 분류
Extraction and classification of characteristic information of malicious code for an intelligent detection model
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
최근에는 발전하는 정보통신 기술을 이용하여 악의적인 코드들이 제작되고 있고 이를 기존 탐지 시스템으로는 탐지하는게 역부족인 실정이다. 이러한 지능적이고 악의적인 코드를 정확하고 효율성 있게 탐지하고 대응하기 위해서는 지능적 탐지 모델이 필요하다. 그리고, 탐지 성능을 최대로 높이기 위해서는 악의적인 코드의 주요 특징 정보 집합으로 훈련하는 것이 중요하다. 본 논문에서는 지능적 탐지 모델을 설계하고 모델 훈련에 필요한 데이터를 변환, 차원축소, 특징 선택 단계를 거쳐 주요 특징 정보 집합으로 생성하는 기법을 제안하였다. 그리고 이를 기반으로 악의적인 코드별로 주요 특징 정보를 분류하였다. 또한, 분류된 특징 정보들을 기반으로 변형되거나 새로 등장하는 악의적인 코드를 분석하고 탐지하는데 사용할 수 있는 공통 특징 정보를 도출하였다. 제안된 탐지 모델은 제한된 수의 특성 정보로 학습하여 악의적인 코드를 탐지하기에 탐지 시간과 대응이 빨리 이루어져 피해를 크게 줄일 수 있다. 그리고, 성능 평가 결과 값은 학습 알고리즘에 따라 약간 차이가 나지만 악의적인 코드 대부분을 탐지할 수 있음을 평가로 알 수 있었다.
Abstract
In recent years, malicious codes are being produced using the developing information and communication technology, and it is insufficient to detect them with the existing detection system. In order to accurately and efficiently detect and respond to such intelligent malicious code, an intelligent detection model is required, and in order to maximize detection performance, it is important to train with the main characteristic information set of the malicious code. In this paper, we proposed a technique for designing an intelligent detection model and generating the data required for model training as a set of key feature information through transformation, dimensionality reduction, and feature selection steps. And based on this, the main characteristic information was classified by malicious code. In addition, based on the classified characteristic information, we derived common characteristic information that can be used to analyze and detect modified or newly emerging malicious codes. Since the proposed detection model detects malicious codes by learning with a limited number of characteristic information, the detection time and response are fast, so damage can be greatly reduced and Although the performance evaluation result value is slightly different depending on the learning algorithm, it was found through evaluation that most malicious codes can be detected.
참고문헌 (20)
- "AVTEST" (2021)[URL]
- Symantec internet security threat report, "Symantec", ~, pp.ISTR-23-2018 (2018)
- Chionis, I., "A Survey on Algorithmic Techniques for Malware Detection", Proc. 2nd Int'l Symposium on Computing in Informatics and Mathematics (ISCIM'13), pp.29~34 (2013)
- Xu, X., "Advanced Data Mining and Applications", pp.696~703 (2005), Springer
- M. Egele, "A survey on automated dynamic malware-analysis techniques and tools", ACM Computing Surveys(CSUR), 44(2), pp.1~42 (2012)
- 권희준, "Multi N-gram을 이용한 악성코드 분류 시스템", 보안공학연구논문지, 9(6), pp.531~542 (2012), 보안공학연구지원센터
- 서희석, "윈도우 악성코드 분류 방법론의 설계", 정보보호학회논문지, 19(2), pp.83~92 (2009), 한국정보보호학회
- "Cyber Threat Trend Report" (2021)[URL]
- "Cyber Threat Trend Report" (2021)[URL]
- M. Sikorski, "Practical Malware Analysis: the hands-on guide to dissecting malicious software" (2012), No Starch Press
- Chionis, I., "A Survey on Algorithmic Techniques for Malware Detection", Proc. 2nd Int'l Symposium on Computing in Informatics and Mathematics (ISCIM'13), pp.29~34 (2013)
- 이원경, "소스코드 취약성 분류를 위한 기계학습 기법의 적용", 정보보호학회논문지, 30(4), pp.735~743 (2020), 한국정보보호학회[DOI]
- Rami Sihwail, "A Survey on Malware Analysis Techniques: Static, Dynamic, Hybrid and Memory Analysis", International Journal on Advanced Science, Engineering and Information Technology, 8(4-2), pp.1662~ (2018), Insight Society[DOI]
- K. Rieck, "Leaming and classification of malware behavior", Proceedings of the 5th International Conference on Detection of Intrusions and Malware, and Vulnerability Assessment, pp.108~125 (2008)
- "NSL-KDD dataset"[URL]
- "VX Heaven" (2018)[URL]
- Wang, W., "Constructing Attribute Weights from Computer Audit Data for Effective Intrusion Detection", Journal of Systems and Software, 82, pp.1974~1981 (2009)
- S. Cateni, "Engineering and the Science", pp.103~118 (2012)
- Makandar, A., "Malware analysis and classification using artificial neural network", 2015 International conference on trends in automation, communications and computing technology (I-TACT-15), pp.1~6 (2015), IEEE
- P. Manandhar, "A Practical Approach to Anomaly-based Intrusion Detection System by Outlier Mining in Network Traffic", Masdar Institute of Science and Technology, ~ (2014)