랜섬웨어 탐지를 위한 머신러닝 기반 암호화 행위 감지 기법
A Machine Learning-Based Encryption Behavior Cognitive Technique for Ransomware Detection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 등장하는 랜섬웨어들은 다양한 공격 기법과 다양한 경로를 통해 공격을 수행하고 있어 조기 탐지와 방어에 많은 어려움을 겪고 있으며, 그 피해 규모도 날로 증가하고 있다. 따라서 본 논문에서는 효과적인 랜섬웨어 탐지를 위하여 파일암호화와 암호화 패턴을 머신러닝 기반으로 하는 감지 기법을 제안한다. 파일 암호화는 랜섬웨어가 공격하는데 필수적으로사용하는 기능으로 암호 행위와 암호화 패턴을 분석함으로써 랜섬웨어를 탐지하고 랜섬웨어의 특정 변종이나 새로운 유형의랜섬웨어를 탐지할 수 있기 때문에 랜섬웨어 공격을 식별하고 차단하는 데 매우 효과적이다. 제안한 머신러닝 기반의 암호화행위 감지 기법은 암호화 특성과 암호화 패턴 특성을 추출하여 머신러닝 기반의 분류기를 통해 각각 학습을 시켜 해당 행위에대한 탐지를 진행하고 최종 결과는 두 분류기의 평가 결과를 기반으로 앙상블 분류기에서 랜섬웨어 유무를 판별하여 좀 더 정확도를 높였다. 또한, 제안한 기법을 numpy와 pandas, 파이썬의 사이킷런 라이브러리를 사용하여 구현하여 평가지표를 사용한 성능를 평가한 결과 평균적으로 94%,의 정확도와 95%의 정밀도, 93%의 재현률과 95%의 F1 스코어가 산출되었다. 성능 평가 결과를 보면 암호화 행위 감지를 통해 랜섬웨어 탐지가 가능하다는 것을 확인할 수 있었고 랜섬웨어의 사전 탐지를위해 제안한 기법의 성능을 높이기 위한 연구도 계속해서 진행되어야 한다.
Abstract
Recent ransomware attacks employ various techniques and pathways, posing significant challenges in early detection and defense. Consequently, the scale of damage is continually growing. This paper introduces a machine learning-based approach for effective ransomware detection by focusing on file encryption and encryption patterns, which are pivotal functionalities utilized by ransomware. Ransomware is identified by analyzing password behavior and encryption patterns, making it possible to detect specific ransomware variants and new types of ransomware, thereby mitigating ransomware attacks effectively. The proposed machine learning-based encryption behavior detection technique extracts encryption and encryption pattern characteristics and trains them using a machine learning classifier. The final outcome is an ensemble of results from two classifiers. The classifier plays a key role in determining the presence or absence of ransomware, leading to enhanced accuracy. The proposed technique is implemented using the numpy, pandas, and Python's Scikit-Learn library. Evaluation indicators reveal an average accuracy of 94%, precision of 95%, recall rate of 93%, and an F1 score of 95%. These performance results validate the feasibility of ransomware detection through encryption behavior analysis, and further research is encouraged to enhance the technique for proactive ransomware detection.
참고문헌 (16)
- Mos, M. A., "The growing influence of ransomware", 2020IEEE International Conference on Electro Information Technology (EIT), pp.643~647 (2020), IEEE
- 황윤철, "지능적 탐지 모델을 위한 악의적인 코드의 특징 정보 추출 및 분류", 산업융합연구, 20(5), pp.61~68 (2022), 대한산업경영학회[DOI]
- K. W. Moon, "Recent Ransomware Trends and Development Direction", Journal of Information Security Society, 32(3), pp.33~39 (2022)
- Kok, S., "Ransomware, threat and detection techniques: A review", Int. J. Comput. Sci. Netw. Secur, 19(2), pp.136~ (2019)
- 김한석, "기계학습 기반 랜섬웨어 공격 탐지를 위한 효과적인 특성 추출기법 비교분석", 융합보안 논문지, 23(1), pp.117~123 (2023), 한국융합보안학회
- Wan, Y. L., "Feature-selection-based ransomware detection with machine learning of data analysis", 2018 3rd international conference on computer and communication systems (ICCCS), pp.85~88 (2018), IEEE
- 이후기, "랜섬웨어 분석 및 탐지패턴 자동화 모델에 관한 연구", 한국정보통신학회논문지, 21(8), pp.1581~1588 (2017), 한국정보통신학회[DOI]
- 김형규, "$UsnJrnl 기반 랜섬웨어 암호화 패턴 유형화 및 탐지 모델", 디지털포렌식연구, 11(3), pp.71~80 (2017), 한국디지털포렌식학회[DOI]
- Berrueta, E., "A survey on detection techniques for cryptographic ransomware", IEEE Access, 7, pp.144925~144944 (2019)[DOI]
- Kok, S. H., "Prevention of cryptoransomware using a pre-encryption detection algorithm", Computers, 8(4), pp.79~ (2019)[DOI]
- Gonzalez, D., "Detection and prevention of crypto-ransomware", 2017 IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), pp.472~478 (2017), IEEE
- Usharani, S., "Dynamic analysis on crypto-ransomware by using machine learning: Gandcrab ransomware", Journal of Physics: Conference Series, 1717(1), pp.012024~ (2021), IOP Publishing
- 이예슬, "랜섬웨어 방지를 위한 딥러닝 기반의 사용자 비정상 행위 탐지 성능 평가", 한국소프트웨어감정평가학회 논문지, 15(2), pp.43~50 (2019), 한국소프트웨어감정평가학회[DOI]
- 황윤철, "사전 탐지와 예방을 위한 랜섬웨어 특성 추출 및 분류", 산업융합연구, 21(9), pp.41~48 (2023), 대한산업경영학회
- Juba, B., "Precisionrecall versus accuracy and the role of large data sets", Proceedings of the AAAI conference on artificial intelligence, 33(01), pp.4039~4048 (2019)
- Powers, D. M., "Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation", arXiv preprint arXiv:2010.16061, ~ (2020)