유사성 해시 기반 악성코드 유형 분류 기법
Method of Similarity Hash-Based Malware Family Classification
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
매년 수십억 건의 악성코드가 탐지되고 있지만, 이 중 신종 악성코드는 0.01%에 불과하다. 이러한 상황에 효과적인 악성코드 유형 분류 도구가 필요하지만, 선행 연구들은 복잡하고 방대한 양의 데이터 전처리 과정이 필요하여 많은 양의 악성코드를 신속하게 분석하기에는 한계가 있다. 이 문제를 해결하기 위해 본 논문은 유사성 해시를 기반으로 복잡한 데이터 전처리 과정 없이 악성코드의 유형을 분류하는 기법을 제안한다. 이 기법은 악성코드의 유사성 해시 정보를 바탕으로 XGBoost 모델을 학습하며, 평가를 위해 악성코드 분류 분야에 널리 활용되는 BIG-15 데이터셋을 사용했다. 평가 결과, 98.9%의 정확도로 악성코드를 분류했고, 3,432개의 일반 파일을 100% 정확도로 구분했다. 이 결과는 복잡한 전처리 과정 및 딥러닝 모델을 사용하는 대부분의 최신 연구들보다 우수하다. 따라서 제안한 접근법을 사용하면 보다 효율적인 악성코드 분류가 가능할 것으로 예상된다.
Abstract
Billions of malicious codes are detected every year, of which only 0.01% are new types of malware. In this situation, an effective malware type classification tool is needed, but previous studies have limitations in quickly analyzing a large amount of malicious code because it requires a complex and massive amount of data pre-processing. To solve this problem, this paper proposes a method to classify the types of malicious code based on the similarity hash without complex data preprocessing. This approach trains the XGBoost model based on the similarity hash information of the malware. To evaluate this approach, we used the BIG-15 dataset, which is widely used in the field of malware classification. As a result, the malicious code was classified with an accuracy of 98.9% also, identified 3,432 benign files with 100% accuracy. This result is superior to most recent studies using complex preprocessing and deep learning models. Therefore, it is expected that more efficient malware classification is possible using the proposed approach.
참고문헌 (19)
- "SONICWALL: ‘THE YEAR OF RANSOMWARE’ CONTINUES WIT H UNPRECEDENTED LATE-SUMME R SURGE"[URL]
- "Microsoft Malware Classification Challenge (BIG 2015)"[URL]
- "Information Security R&D Data Challenge 2019"[URL]
- Jesse Kornblum, "Identifying almost identical files using context triggered piecewise hashing", Digital investigation, 3, pp.91~97 (2006)
- 고동우, "API 콜 시퀀스와 Locality Sensitive Hashing을 이용한 악성코드 클러스터링 기법에 관한 연구", 정보보호학회논문지, 27(1), pp.91~101 (2017), 한국정보보호학회[DOI]
- Jake Drew, "Polymorphic malware detection using sequence classification methods", 2016 IEEE Security and Privacy Workshops (SPW), pp.81~87 (2016)
- "Py-nilsimsa"[URL]
- Oliver, Jonathan, "TLSH--a locality sensitive hash", 2013 Fourth Cybercrime and Trustworthy Computing Workshop. IEEE, pp.7~13 (2013)
- Jazi Hossein Hadian, "Dynamic graph-based malware classifier", 2016 14th Annual Conference on Privacy, Security and Trust (PST), pp.112~120 (2016)
- Pektaş Abdurrahman, "Malware classification based on API calls and behaviour analysis", IET Information Security, 12(2), pp.107~117 (2018)
- 조우진, "API 호출 빈도를 이용한 악성코드 패밀리 탐지 및 분류 방법", 정보보호학회논문지, 31(4), pp.605~616 (2021), 한국정보보호학회[DOI]
- Mehadi Hassen, "Malware classification using static analysis based features", 2017 IEEE Symposium Series on Computational Intelligence (SSCI), pp.1~7 (2017)
- Barath Narayanan Narayanan, "Ensemble malware classification system using deep neural networks", Electronics, 9(5), pp.721~ (2020)
- Lin Li, "Malware classification based on double byte feature encoding", Alexandria Engineering Journal, 61(1), pp.91~99 (2022)
- Sudhakar, "MCFT-CNN : Malware classification with fine-tune convolution neural networks using traditional and transfer learning in Internet of Things", Future Generation Computer Systems, 125, pp.334~351 (2021)
- Mamoona Khan, "Malware Classification Framework using Convolutional Neural Network", 2020 International Conference on Cyber Warfare and Security (ICCWS), pp.1~7 (2020)
- 박창욱, "퍼지해시를 이용한 유사 악성코드 분류모델에 관한 연구", 정보보호학회논문지, 22(6), pp.1325~1336 (2012), 한국정보보호학회
- Yunan Zhang, "Based on Multi-features and Clustering Ensemble Method for Automatic Malware Categorization", 2017 IEEE Trustcom, ICESS, pp.2017, 2017[DOI]
- "BinDiff"[URL]