하이브리드 특징 및 기계학습을 활용한 효율적인 악성코드 분류 시스템 개발 연구
Development Research of An Efficient Malware Classification System Using Hybrid Features And Machine Learning
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
기하급수적으로 증가하고 있는 변종 악성코드에 대응하기 위해 악성코드 분류 연구가 다양화되고 있다. 최근 연구에서는 기존 악성코드 분석 기술 (정적/동적)의 개별 사용 한계를 파악하고, 각 방식을 혼합한 하이브리드 분석으로전환하는 추세이다. 나아가, 분류가 어려운 변종 악성코드를 더욱 정확하게 식별하기 위해 기계학습을 적용하기에이르렀다. 하지만, 각 방식을 모두 활용했을 때 발생하는 정확성, 확장성 트레이드오프 문제는 여전히 해결되지 못했으며, 학계에서 중요한 연구 주제이다. 이에 따라, 본 연구에서는 기존 악성코드 분류 연구들의 문제점을 보완하기위해 새로운 악성코드 분류 시스템을 연구 및 개발한다.
Abstract
In order to cope with dramatically increasing malware variant, malware classification research is getting diversified. Recentresearch tend to grasp individual limits of existing malware analysis technology (static/dynamic), and to change each methodinto “hybrid analysis”, which is to mix different methods into one. Futhermore, it is applying machine learning to identifymalware variant more accurately, which are difficult to classify. However, accuracy and scalability of trade-off problems thatoccur when using all kinds of methods are not yet to be solved, and it is still an important issue in the field of malwareresearch. Therefore, to supplement and to solve the problems of the original malware classification research, we are focusingon developing a new malware classification system in this research.
참고문헌 (7)
- "AVTEST Annual Report"[URL]
- "ssdeep - Fuzzy hashing progra m"[URL]
- "VX Heaven"[URL]
- "VirusTotal - Free Online Virus, Malware and URL Scanner"[URL]
- 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)
- T.Y. Wang, "A surveillance spyware detection system based on data mining methods", Proc. IEEE Congress on Evolutionary Computation, pp.3236~3241 (2006)
- B. Anderson, "Improving malware classification:bridging the static", dynamic gap, 2012, 3~14