Stacked Autoencoder 기반 악성코드 Feature 정제 기술 연구
Stacked Autoencoder Based Malware Feature Refinement Technology Research
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
네트워크의 발전에 따라 악성코드 생성도구가 유포되는 등으로 인해 악성코드의 출현이 기하급수적으로 증가하였으나 기존의 악성코드 탐지 방법을 통한 대응에는 한계가 존재한다. 이러한 상황에 따라 머신러닝 기반의 악성 코드탐지 방법이 발전하는 추세이며, 본 논문에서는 머신러닝 기반의 악성 코드 탐지를 위해 PE 헤더에서 데이터의feature를 추출한 후 이를 이용하여 autoencoder를 통해 악성코드를 더 잘 나타내는 feature 및 featureimportance를 추출하는 방법에 대한 연구를 진행한다. 본 논문은 악성코드 분석에서 범용적으로 사용되는 PE 파일에서 확인 가능한 DLL/API 등의 정보로 구성된 549개의 feature를 추출하였고 머신러닝의 악성코드 탐지 성능향상을 위해 추출된 feature를 이용하여 autoencoder를 통해 데이터를 압축적으로 저장함으로써 데이터의feature를 효과적으로 추출해 우수한 정확도 제공 및 처리 시간을 2배 단축에 성공적임을 증명하였다. 시험 결과는악성코드 그룹 분류에도 유용함을 보였으며, 향후 SVM과 같은 분류기를 도입하여 더욱 정확한 악성코드 탐지를 위한 연구를 이어갈 예정이다.
Abstract
The advent of malicious code has increased exponentially due to the spread of malicious code generation tools inaccordance with the development of the network, but there is a limit to the response through existing malicious codedetection methods. According to this situation, a machine learning-based malicious code detection method is evolving, and inthis paper, the feature of data is extracted from the PE header for machine-learning-based malicious code detection, and thenit is used to automate the malware through autoencoder. Research on how to extract the indicated features and featureimportance. In this paper, 549 features composed of information such as DLL/API that can be identified from PE files thatare commonly used in malware analysis are extracted, and autoencoder is used through the extracted features to improve theperformance of malware detection in machine learning. It was proved to be successful in providing excellent accuracy andreducing the processing time by 2 times by effectively extracting the features of the data by compressively storing the data. The test results have been shown to be useful for classifying malware groups, and in the future, a classifier such as SVMwill be introduced to continue research for more accurate malware detection.
참고문헌 (18)
- Symantec internet security threat report, "Symantec", ~, pp.ISTR-23-2018 (2018)
- 박재우, "문자열과 API를 이용한 악성코드 자동 분류 시스템", 보안공학연구논문지, 8(5), pp.611~626 (2011), 보안공학연구지원센터
- "Mastering 4 Stages of Malware Analysis" (2015)[URL]
- "Malware analysis method" (2016)[URL]
- Zhi-guo Chen, "A Learning-based Static Malware Detection System with Integrated Feature Selection", Ph.D., pp.2019
- Ji-hee Ha, "TF-IDF based PE File Embedding and Malware Classification", Journal of the Korean Institute of Information Security and Cryptology Summer Conference, pp.11~14 (2019)
- Seong-bin Park, "Detecion Method Using Common Feature of Malware Variants Generated by Automated Tools", Journal of Korean institute of information technology, 10(9), pp.67~75 (2012)
- A. G. Kakisim, "Analysis and Evaluation of Dynamic Feature-Based Malware Detection Methods", 11th International Conference Sec ITC, pp.247~258 (2018)
- T. Shibahara, "Efficient Dynamic Malware Analysis Based on Network Behavior Using Deep Learning", 2016 IEEE Global Communications Conference (GLOBECOM), pp.1~7 (2016)
- Kyung-lyul Hyun, "Motion Data Analysis with Autoencoder", Korea Computer Graphics Society Conference, pp.133~134 (2013)
- A. Geron, "Hands-On Machine Learning with Scikit-Learn &TensorFlow" (2018), Hanbit Media
- O. David, "DeepSign: Deep Learning for Automatic Malware Signature Generation and Classification", International Joint Conference on Neural Networks (IJCNN), pp.1~8 (2015)
- H.C. Tanuwidjaja, "Enhancing Malware Detection by Modified Deep Abstraction and Weighted Feature Selection", 2020Symposium on Cryptography and Information Security, pp.1~8 (2020)
- 권동근, "비프로파일링 기반 전력 분석의 성능 향상을 위한 오토인코더 기반 잡음 제거 기술", 정보보호학회논문지, 29(3), pp.491~501 (2019), 한국정보보호학회[DOI]
- P. Vincent, "Stacked Denoising Autoencoders:Learning Useful Representations in a Deep Network with a Local Denoising Criterion", The Journal of Machine Learning Research, 11(110), pp.3371~3408 (2010)
- 하지희, "DLL", API 통계적 분석을 통한 Feature 추출 및 Machine Learning 기반 악성코드 탐지 기법, 2018, pp.43(4), 730~739[DOI]
- 권희준, "Multi N-gram을 이용한 악성코드 분류 시스템", 보안공학연구논문지, 9(6), pp.531~542 (2012), 보안공학연구지원센터
- "ExtraTreesClassifier" (2018)[URL]