PCA 기반 API Call 정보의 차원 축소를 통한 경량화된 안드로이드 악성코드 분류 모델
Light-weight Classification Model for Android Malware through the Dimensional Reduction of API Call Sequence using PCA
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
최근 API Call 정보를 기반으로 안드로이드 악성코드를 탐지 및 분류하는 연구가 활발하게 진행되고 있다. 그러나 API Call 기반의 악성코드 분류는 방대한 데이터 양과 높은 차원 특성으로 인해 악성코드 분석과 학습 모델 구축 과정에서 과도한 시간과 자원이 소모된다는 심각한 제한사항을 가진다. 이에 본 연구에서는 방대한 API Call 정보를 포함하고 있는 CICAndMal2020 데이터세트를 대상으로 PCA(Principal Component Analysis, 주성분분석)를 사용하여 차원을 대폭 축소시킨 후 LightGBM, Random Forest, k-Nearest Neighbors 등의 다양한 분류 기법 모델을 적용하여 결과를 분석하였다. 그결과 PCA가 원본 데이터의 특성을 유지하면서 데이터 특성의 차원은 획기적으로 감소시키고 우수한 악성코드 분류 성능을 달성함을 확인하였다. 이진분류 및 다중분류 모두 데이터 특성을 전체 크기의 1% 수준 이하로 줄이더라도 이전 연구 결과보다 높은 수준의 정확도를 나타내었다.
Abstract
Recently, studies on the detection and classification of Android malware based on API Call sequence have been actively carried out. However, API Call sequence based malware classification has serious limitations such as excessive time and resource consumption in terms of malware analysis and learning model construction due to the vast amount of data and high-dimensional characteristic of features. In this study, we analyzed various classification models such as LightGBM, Random Forest, and k-Nearest Neighbors after significantly reducing the dimension of features using PCA(Principal Component Analysis) for CICAndMal2020 dataset containing vast API Call information. The experimental result shows that PCA significantly reduces the dimension of features while maintaining the characteristics of the original data and achieves efficient malware classification performance. Both binary classification and multi-class classification achieve higher levels of accuracy than previous studies, even if the data characteristics were reduced to less than 1% of the total size.
참고문헌 (14)
- "Global market share smartphone operating systems of unit shipments 2014-2023"[URL]
- "Mobile Operating System Market Share Worldwide"[URL]
- "Financially Motivated Mobile Scamware Exceeds 100M Installations"[URL]
- H. Abdi, "Principal component analysis", Wiley interdisciplinary reviews: computational statistics, 2(4), pp.433~459 (2010)
- L. Shilpa, "Feature Reduction using Principal Component Analysis for Anomaly-Based Intrusion Detection on NSL-KDD", International Journal of Engineering Science and Technology, 2(6), pp.1790~1799 (2010)[DOI]
- Y. Liu, "Sketch-based streaming PCA algorithm for network-wide traffic anomaly detection", 2010 IEEE 30th International Conference on Distributed Computing Systems, pp.807~816 (2010)
- 계효선, "주성분 분석기반 저복잡 이상탐지 기술 연구", 한국통신학회논문지, 46(6), pp.941~955 (2021), 한국통신학회[DOI]
- W. Subhash, "Intrusion detection system using PCA with random forest approach", 2020 International Conference on Electronics and Sustainable Communication Systems (ICESC), pp.803~808 (2020), IEEE
- Dissanayake, Maheshi B, "Feature Engineering for Cyber-attack detection in Internet of Things", J Wireless and Microwave Technologies, 6, pp.46~54 (2021)[DOI]
- A. Rahali, "DIDroid: Android Malware Classification and Characterization Using Deep Image Learning", Proc. of the 10th International Conference on Communication and Network Security (ICCNS2020), pp.70~82 (2020)
- N. Peiravian, "Machine Learning for Android Malware Detection Using Permission and API Calls", Proc. of the 2013 IEEE 25th International Conference on Tools with Artificial Intelligence, pp.300~305 (2014)
- A. D. Lorenzo, "Visualizing the outcome of dynamic analysis of Android malware with VizMal", Journal of Information Security and Applications, 50 (2020)[DOI]
- D. S. Keyes, "EntropLyzer: Android Malware Classification and Characterization Using Entropy Analysis of Dynamic Characteristics", Proc. of the 2021 Reconciling Data Analytics, Automation, Privacy, and Security: A Big Data Challenge (RDAAPS), pp.1~8 (2021)
- 황희진, "API Call 정보 기반의 안드로이드 악성코드 분류를 위한 특성 집합 추출", 한국컴퓨터정보학회논문지, 26(11), pp.41~49 (2021), 한국컴퓨터정보학회[DOI]