Naive Bayes 기반 안드로이드 악성코드 분석 기술 연구
Android Malware Analysis Technology Research Based on Naive Bayes
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
스마트 폰의 보급률이 증가함에 따라 스마트 폰을 대상으로 하는 악성코드들이 증가하고 있다. 360 Security의스마트 폰 악성코드 통계에 따르면 2015년 4분기에 비해 2016년 1분기에 악성코드가 437% 증가하는 수치를 보였다. 특히 이러한 스마트 폰 악성코드 유포의 주요 수단인 악성 어플리케이션들은 사용자 정보 유출, 데이터 파괴, 금전 갈취 등을 목적으로 하는데 운영 체제나 프로그래밍 언어가 제공하는 기능을 제어할 수 있게 해주는 인터페이스인 API에 의하여 동작하는 경우가 대부분이다. 본 논문에서는 정적 분석으로 도출한 어플리케이션 내 API의 패턴을 지도 학습 기법으로 머신에 학습하여 정상 어플리케이션과 악성 어플리케이션 내의 API 패턴의 유사도에 따라악성 어플리케이션을 탐지하는 메커니즘을 제시하고 샘플 데이터에 대하여 해당 메커니즘을 사용하여 도출한 label 별 탐지율과 탐지율 개선을 위한 기법을 보인다. 특히, 제안된 메커니즘의 경우 신종 악성 어플리케이션의 API 패턴이 기존에 학습된 패턴과 일정 수준 유사한 경우 탐지가 가능하며 향후 어플리케이션의 다양한 feature를 연구하여 본 메커니즘에 적용한다면 anti-malware 체계의 신종 악성 어플리케이션 탐지에 사용될 수 있을 것이라 예상된다.
Abstract
As the penetration rate of smartphones increases, the number of malicious codes targeting smartphones is increasing. I 360 Security 's smartphone malware statistics show that malicious code increased 437 percent in the first quarter of 2016 compared to the fourth quarter of 2015. In particular, malicious applications, which are the main means of distributing malicious code on smartphones, are aimed at leakage of user information, data destruction, and money withdrawal. Often, it is operated by an API, which is an interface that allows you to control the functions provided by the operating system or programming language. In this paper, we propose a mechanism to detect malicious application based on the similarity of API pattern in normal application and malicious application by learning pattern of API in application derived from static analysis. In addition, we show a technique for improving the detection rate and detection rate for each label derived by using the corresponding mechanism for the sample data. In particular, in the case of the proposed mechanism, it is possible to detect when the API pattern of the new malicious application is similar to the previously learned patterns at a certain level. Future researches of various features of the application and applying them to this mechanism are expected to be able to detect new malicious applications of anti-malware system.
참고문헌 (25)
- 성명재, "TCP-Flow 시퀀스를 이용한 네트워크 행위 기반 안드로이드 악성코드 탐지", 보안공학연구논문지, 11(6), pp.551~566 (2014), 보안공학연구지원센터[DOI]
- Ki-hyeon Kim, "A hybrid Method for Android Malware Detection", MS, pp.2016
- 민승욱, "안드로이드 악성코드 분석 및 기계학습 기법을 이용한 탐지 방법", 정보과학회 컴퓨팅의 실제 논문지, 19(2), pp.95~99 (2013), 한국정보과학회
- 전철, "효율적인 안드로이드 애플리케이션 검수를 위한 견고한 퍼미션 기반 악성 애플리케이션 여과 기법", 보안공학연구논문지, 10(2), pp.187~198 (2013), 보안공학연구지원센터
- Zami Aung, "Permission-Based Android Malware Detection", INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH, 2(3) (2013)
- W. Enck, "A Study of Android Application Security", USENIX Security Symposium, 2(2), pp.2~17 (2011)
- Hyun-ki Kim, "Quantitative Risk Assessment Scheme of Mobile Malwares Based on Machine Learned API Characteristics", MS, pp.2017
- Hyo-sik Ham, "Android Malware Detection Technique Based on SVM", Journal of Applied Mathematics (2014)
- Ki-hyun Kim, "Android-based Malware Detection Using Linear One-Class SVM", Korea Institue Of Communication Sciences, pp.397~398 (2014)
- 윤석민, "시스템 콜 이벤트 분석을 활용한 악성 애플리케이션 판별", 정보처리학회논문지. 소프트웨어 및 데이터 공학, 4(4), pp.169~176 (2015), 한국정보처리학회[DOI]
- 이지원, "SVM을 이용한 스미싱 탐지기법", 보안공학연구논문지, 10(6), pp.655~668 (2013), 보안공학연구지원센터[DOI]
- C. Widanapathirana, "Automated Inference System for End-To-End Diagnosis of Network Performance Issues in Client-Terminal Devices", International Journal of Computer Networks & Communications (IJCNC), 4(3) (2012)
- Seung-wook Min, "Android Malware Detection Method Using Macchine Learning", Journal of KIISE : Korea Computer Congress, pp.280~282 (2012)
- B. Amos, "Applying machine learning classifiers to dynamic android malware detection at scale", Proceedings of the 9th International Wireless Communications and Mobile Computing Conference(IWCMC), pp.1666~1671 (2013)
- I. Burguera, "Crowdroid : behavior-based malware detection system for android", Proceedings of the 1st ACM workshop on Security and privacy in smartphones and mobile devices(SPSM), pp.15~26 (2011)
- J. Abah, "A machine learning approach to anomaly-based detection on Android platforms", International Journal of Network Security and Its Applications, pp.15~35 (2015)
- V. M. Afonso, "Identifying Android malware using dynamically obtained features", Journal of Computer Virology and Hacking Techniques, pp.9~17 (2015)
- Y. Zhou, "Dissecting Android Malware : Characterization and Evolution", Proceedings of the 33rd IEEE Symposium on Security and Privacy, pp.95~109 (2012)
- Won-hyuk Choi, "Analyzing Class.dex Executable Code for Android Apps" (2014), ITL Inc
- S. Kaveh, "Trends in Android Malware Detection", Journal of Digital Forensics : Security and Law, 8(3) (2013)
- Y. Nirmala, "A Survey on Android Malware Detection", International Journal of New Technology and Research, 2(12), pp.47~53 (2016)
- S. Justin, "A Machine Learning Approach to Android Malware Detection", European Intelligence and Security Informatics Conference (2012)
- K. Pallavi, "Malware Detection Techniques in Android", International Journal of Computer Applications, 122(17) (2015)
- 유성태, "API 통계 기반의 워드 클라우드를 이용한 악성코드 분석 기법", 한국산학기술학회논문지, 16(10), pp.7211~7218 (2015), 한국산학기술학회[DOI]
- K. Tetsuya, "A Prototype of Comparison Tool for Android Applications Based on Difference of API Calling Sequences", Software Science, 111(107), pp.35~40 (2011), IEICE