악성코드 분석의 Ground-Truth 향상을 위한 Unified Labeling과 Fine-Grained 검증
Unified Labeling and Fine Grained Verification for Improving Ground-Truth of Malware Analysis
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 AV 벤더들의 악성코드 동향 보고서에 따르면 신종, 변종 악성코드의 출현 개수가 기하급수적으로 증가하고있다. 이에 따라 분석 속도가 떨어지는 수동적 분석방법을 대체하고자 기계학습을 적용하는 악성코드 분석 연구가 활발히 연구되고 있다. 하지만 지도학습기반의 기계학습을 이용할 때 많은 연구에서 AV 벤더가 제공하는 신뢰성이 낮은 악성코드 패밀리명을 레이블로 사용하고 있다. 이와 같이 악성코드 레이블의 낮은 신뢰성 문제를 해결하기 위해본 논문에서는 새로운 레이블링 기법인 “Unified Labeling”을 소개하고 나아가 Fine-grained 방식의 특징 분석을통해 악성 행위 유사성을 검증한다. 본 연구의 검증을 위해 다양한 기반의 클러스터링 알고리즘을 이용하여 기존의레이블링 기법과 비교하였다.
Abstract
According to a recent report by anti-virus vendors, the number of new and modified malware increased exponentially. Therefore, malware analysis research using machine learning has been actively researched in order to replace passive analysismethod which has low analysis speed. However, when using supervised learning based machine learning, many studies uselow-reliability malware family name provided by the antivirus vendor as the label. In order to solve the problem oflow-reliability of malware label, this paper introduces a new labeling technique, “Unified Labeling”, and further verifies themalicious behavior similarity through the feature analysis of the fine-grained method. To verify this study, various clusteringalgorithms were used and compared with existing labeling techniques.
참고문헌 (9)
- "Overall Statistics For 2017" (2018)[URL]
- "Internet Security Threat Rep ort (ISTR)" (2018)[URL]
- "G DATA SECURITY BLOG" (2018)[URL]
- S ebastián, Marcos, "Avclass:A tool for massive malware labeling", International Symposium on Research in Attacks, Intrusions, and Defenses, pp.230~253 (2016), Springer
- Kantchelian, Alex, "Better malware ground truth: Techniques for weighting anti-virus vendor labels", Proceedings of the 8th ACM Workshop on Artificial Intelligence and Security, pp.45~56 (2015)
- Hurier, Médéric, "On the lack of consensus in anti-virus decisions:Metrics and insights on building ground truths of android malware", International Conference on Detection of Intrusions and Malware, and Vulnerability Assessment(DIMVA), pp.142~162 (2016)
- Li, Jin, "Significant Permission Identification for Machine Learning Based Android Malware Detection", IEEE Transactions on Industrial Informatics, 14(7), pp.3216~3225 (2018)
- M Ahmadi, "Novel feature extraction, selection and fusion for effective malware family classification", Proc. Data and Application Security and Privacy (CODASPY), pp.183~194 (2016)
- Oh Sangjin, "A Study of Labeling for Ground-Truth of Malware Family Names", Conference on Information Security and Cryptography-Winter, pp.66~69 (2018)