다단계 특성 선택을 적용한 트랜스포머 기반의 안드로이드 악성코드 분류
Transformer-based Android Malware Classification using Multi-stage Feature Selection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
API Call 기반 안드로이드 악성코드 탐지에서 고차원 특성은 트랜스포머 모델 적용에 적용 시높은 계산 비용을 유발한다. 본 연구는 이 문제를 해결하기 위해 LightGBM과 트랜스포머 모델의토큰화 방식을 결합한 다단계 특성 선택 파이프라인을 제안하여 모델 경량화와 성능을 동시에 달성하고자 한다. 제안하는 방법은 LightGBM으로 특성 중요도를 산출한 뒤, 각 트랜스포머 모델의최대 입력 토큰 제약에 맞춰 최종 특성집합을 동적으로 구성한다. 실험 결과, 9,503개의 원본 특성을 80~95개로 획기적으로 축소하였음에도 불구하고 이진분류에서 최대 98.28%의 정확도를, 다중분류에서 83.66%의 Macro F1-Score를 달성하였다. 이는 제안 방법론이 훨씬 적은 특성으로 기존연구들과 대등한 성능을 보이며, 고차원 데이터 분석에서 효율성과 높은 탐지 성능을 모두 확보할 수 있는 효과적인 해결책임을 입증한다.
Abstract
High-dimensional features in API Call-based Android malware detection lead to high computational costs when applying Transformer models. To address this, this paper proposes a multi-stage feature selection pipeline combining LightGBM and Transformer's tokenization method to achieve both model lightweightness and high performance. The proposed method ranks feature importance using LightGBM and then dynamically constructs a final feature set constrained by each Transformer's maximum input token limit. Experimental results show that despite dramatically reducing 9,503 original features to 80-95, our model achieved up to 98.28% accuracy in binary classification and an 83.66% Macro F1-Score in multi-class classification. This demonstrates that our methodology provides comparable performance to previous studies with significantly fewer features, proving it to be an effective solution for ensuring both efficiency and high detection rates in high-dimensional data analysis.