정적 분석과 앙상블 기반의 리눅스 악성코드 분류 연구
Study of Static Analysis and Ensemble-Based Linux Malware Classification
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
IoT 시장의 성장과 더불어 linux 아키텍쳐를 사용하는 디바이스들에 대해 악성코드 보안 위협이 꾸준히 증가하고있다. 하지만, Mirai 등의 심각한 보안피해를 야기한 주요 악성코드들을 제외하면 linux 악성코드에 대한 보안 커뮤니티의 관련 기술이나 연구는 전무한 수준이다. 또한, IoT 환경의 디바이스, 벤더, 아키텍쳐 등의 다양성이 더욱 심화됨에 따라 linux 악성코드 대응 난이도 또한 심화되고 있다. 따라서, 본 논문에서는 linux 아키텍쳐의 주요 포맷인 ELF를 분석하고 이를 기반으로 한 분석 시스템과, IoT 환경을 고려한 바이너리 기반의 분석 시스템을 제안한다. ELF 기반의 분석 시스템은 상대적으로 고속으로 다수의 악성코드에 대해 전처리 분류 할 수 있으며 상대적으로 저속의 바이너리 기반의 분석 시스템은 전처리 하지 못한 데이터에 대해 모두 분류 가능하다. 이러한 두 개의 프로세스는 서로 상호보완되어 효과적으로 linux 기반의 악성코드를 분류할 수 있을 것이라 기대한다.
Abstract
With the growth of the IoT market, malware security threats are steadily increasing for devices that use the linuxarchitecture. However, except for the major malware causing serious security damage such as Mirai, there is no relatedtechnology or research of security community about linux malware. In addition, the diversity of devices, vendors, andarchitectures in the IoT environment is further intensifying, and the difficulty in handling linux malware is also increasing. Therefore, in this paper, we propose an analysis system based on ELF which is the main format of linux architecture, and abinary based analysis system considering IoT environment. The ELF-based analysis system can be pre-classified for a largenumber of malicious codes at a relatively high speed and a relatively low-speed binary-based analysis system can classify allthe data that are not preprocessed. These two processes are supposed to complement each other and effectively classifylinux-based malware.
참고문헌 (16)
- "Security Report 2016/17"[URL]
- "Mobile malware evolu tion 2018"[URL]
- "2016 Mirai Malwar e Trends Report"[URL]
- Li. Jin, "Significant permission identification for machinelearning-based android malware detection", IEEE Transactions on Industrial Informatics, 14(7), pp.3216~3225 (2018)
- Kolosnjaji. B, "Adversarial malware binaries: Evading deep learning for malware detection in executables", 2018 26th European Signal Processing Conference(EUSIPCO) (2018), IEEE
- Machiry. A, "Using Loops For Malware Classification Resilient to Feature-unaware Perturbations", Proceedings of the 34th Annual Computer Security Applications Conference, pp.112~123 (2018), ACM
- Kakisim. A. G, "Analysis and Evaluation of Dynamic Feature-Based Malware Detection Methods", International Conference on Security for Information Technology and Communications, pp.247~258 (2018), Springer
- Raff. E, "An investigation of byte n-gram features for malware classification", Journal of Computer Virology and Hacking Techniques, 14(1), pp.1~20 (2018)
- HaddadPajouh. H., "A deep Recurrent Neural Network based approach for Internet of Things malware threat hunting", Future Generation Computer Systems, 85, pp.88~98 (2018)
- Cozzi. E, "Understanding Linux Malware", IEEE Symposium on Security and Privacy, pp.161~175 (2018)
- Costin. A, "A large-scale analysis of the security of embedded firmwares", 23rd {USENIX} Security Symposium ({USENIX} Security 14), pp.95~110 (2014)
- A Static Malware Detection System Using Data Mining Methods, "U. Baldangombo", Cornell University, ~ (2013)
- K. Iwamoto, "Malware Classification based on Extracted API Sequences using Static Analysis", Internet Engineering Conference, pp.31~38 (2012)
- 이영훈, "엔트로피 값 변화 분석을 이용한 실행 압축 해제 방법 연구", 정보보호학회논문지, 22(2), pp.179~188 (2012), 한국정보보호학회
- "ARM ELF"[URL]
- "virusshare"[URL]