공공기관 실제 사례로 보는 랜섬웨어 탐지 방안에 대한 연구
A Study on Ransomware Detection Methods in Actual Cases of Public Institutions
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 지능적이고 고도화된 사이버 공격은 악성코드가 포함된 파일을 이용하여 공공기관의 전산망을 공격하거나 정보를 유출하는 공격으로 그 피해가 커지고 있다. 다양한 정보 보호시스템이 구축된 공공기관에서도 기존의 시그니처 기반이나 정적 분석을 기반으로 하는 악성코드 및 랜섬웨어 파일 탐지하는 방식을 사용하는 경우는 알려진 공격은 탐지가 가능하나 알려지지 않은 동적 및 암호화 공격에 대해서는 취약하다. 본 연구에서 제안하는 탐지 방안은 공공기관에서 실제로 사용하는 정보보호시스템 중 악성코드 및 랜섬웨어를 탐지할 수 있는 시스템의 탐지 결과 데이터를 추출한 후 결합하여 여러 가지 속성을 도출해 내고, 머신러닝 분류 알고리즘을 통해 도출한 속성들이 어떻게 분류되고 어떤 속성이 분류 결과와 정확도 향상에 중대한 영향을 미치는지 실험을 통해 결과를 도출한다. 본 논문의 실험 결과에서는 특정 속성이 포함된 경우와 포함되지 않은 경우 알고리즘마다 상이하지만, 특정 속성이 포함된 학습에서는 정확도가 높아지는 결과를 보였으며 추후 정보보호시스템의 랜섬웨어 파일 및 이상행위 탐지 알고리즘 제작 시 속성 선택에 활용할 수 있을 것으로 기대한다.
Abstract
Recently, an intelligent and advanced cyber attack attacks a computer network of a public institution using a file containing malicious code or leaks information, and the damage is increasing. Even in public institutions with various information protection systems, known attacks can be detected, but unknown dynamic and encryption attacks can be detected when existing signature-based or static analysis-based malware and ransomware file detection methods are used. vulnerable to The detection method proposed in this study extracts the detection result data of the system that can detect malicious code and ransomware among the information protection systems actually used by public institutions, derives various attributes by combining them, and uses a machine learning classification algorithm. Results are derived through experiments on how the derived properties are classified and which properties have a significant effect on the classification result and accuracy improvement. In the experimental results of this paper, although it is different for each algorithm when a specific attribute is included or not, the learning with a specific attribute shows an increase in accuracy, and later detects malicious code and ransomware files and abnormal behavior in the information protection system. It is expected that it can be used for property selection when creating algorithms.
참고문헌 (19)
- 2021 Information Security Survey Report, "Korea Internet & Security Agency", ~ (2021)
- Tae ho Kim, "Feature Selection Optimization in Unsupervised Learning for Insider threat Detection", 석사, pp.2018
- 강홍구, "다중 머신러닝 알고리즘을 이용한 악성 URL 예측 시스템 설계 및 구현", 멀티미디어학회논문지, 23(11), pp.1396~1405 (2020), 한국멀티미디어학회
- 손인재, "자료 전송 데이터 분석을 통한 이상 행위 탐지 모델의 관한 연구", 정보보호학회논문지, 30(4), pp.647~656 (2020), 한국정보보호학회[DOI]
- 장현성, "Data-mining Based Anomaly Detection in Document Management System", 한국지식정보기술학회 논문지, 10(4), pp.465~473 (2015), 한국지식정보기술학회
- 김해동, "사용자 행위 모델과 이상치 탐지 알고리즘을 활용한 내부자 이상행위 탐지", 대한산업공학회지, 43(4), pp.276~287 (2017), 대한산업공학회[DOI]
- Eldardiry, H., "Multi-source fusion for anomaly detection : using across-domain and across-timepeer-group consistency checks" (2014), Palo Alto Research Center
- Le Zhang, "An Evaluation of statistical spam filtering techniques", ACM Transaction on Asian Language Information Processing (2006)
- Vangelis Metsis, "Spam Filtering with NaiveBayes-Which Naive Bayes?", CEAS (2006)
- Miae Oh, "A Study on anomaly detection based on MachineLearning", Korea Institute for Health and Social Affairs (2018)
- 이무훈, "야외활동 의사결정을 위한가중치 기반 기상정보 분석 알고리즘", 디지털융복합연구, 14(3), pp.209~217 (2016), 한국디지털정책학회[DOI]
- William W. Cohen, "Fast Effective Rule Induction", International Conference on Machine Learning, pp.15~123 (1995)
- Indrė Žliobaitė, "Active learning with drifting streaming data", IEEE Transactions on Neural Networks and Learning Systems, 25(1), pp.27~39 (2013)
- N. Bhatia, "Survey of Nearest Neighbor Techniques", International Journal of Computer Science and Information Security, 8(2) (2010)
- D. Aha, "Instance-based learning algorithms", Machine Learning, pp.37~66 (1991)
- Deza, M, "Encyclopedia of Distances", pp.94~ (2009), Springer-Verlag
- David M. J. Tax, "Classification, Parameter Estimation and State Estimation : An Engineering Approach Using MATLAB", pp.440~ (2004), John Wiley and Sons
- S. S. Keerthi, "Improvements to Platt's SMO Algorithm for SVM Classifier Design", Neural Computation, 13(3), pp.637~649 (2001)
- George H. John, "Estimating Continuous Distributions in Bayesian Classifiers", Eleventh Conference on Uncertainty in Artificial Intelligence, pp.338~345 (1995)