머신러닝 기반 악성코드 분류를 위한 재귀적 속성 추출 알고리즘
RFA: Recursive Feature Addition Algorithm for Machine Learning-Based Malware Classification
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
최근 악성코드와 정상 바이너리를 분류하기 위해 기계학습을 이용하는 기술이 다양하게 연구되고있다. 효과적인 기계학습을 위해서는 악성코드와 정상 바이너리를 식별하기 위한 Feature를 잘 추출하는 것이 무엇보다 중요하다. 본 논문에서는 재귀적인 방법을 이용하여 기계학습에 활용하기 위한Feature 추출 방법인 RFA(Recursive Feature Addition) 제안한다. 제안하는 방법은 기계학습의 성능을극대화 하기 위해 개별 Feature를 대상으로 재귀적인 방법을 사용하여 최종 Feature Set을 선정한다. 세부적으로는 매 단계마다 개별 Feature 중 최고성능을 내는 Feature를 추출하여, 추출한 Feature를 결합하는 방법을 사용한다. 제안하는 방법을 활용하여 Decision tree, SVM, Random forest, KNN등의 기계학습 알고리즘에 적용한 결과 단계가 지속될수록 기계학습의 성능이 향상되는 것을 검증하였다.
Abstract
Recently, various technologies that use machine learning to classify malicious code have been studied. In order to enhance the effectiveness of machine learning, it is most important to extract properties to identify malicious codes and normal binaries. In this paper, we propose a feature extraction method for use in machine learning using recursive methods. The proposed method selects the final feature using recursive methods for individual features to maximize the performance of machine learning. In detail, we use the method of extracting the best performing features among individual feature at each stage, and then combining the extracted features. We extract features with the proposed method and apply them to machine learning algorithms such as Decision Tree, SVM, Random Forest, and KNN, to validate that machine learning performance improves as the steps continue.
참고문헌 (15)
- "ENISA Threat Landscape 2020" (2020)[URL]
- Dong-Geun Lee., "Analysis of Malware Detection Techniquesbased on Machine Learning", pp.2018
- El Merabet, Hoda, "A survey of malware detection techniques based on machine learning", International Journal of Advanced Computer Science and Applications, 10(1), pp.366~373 (2019)
- "Feature engineering"[URL]
- "Decision Tree"[URL]
- "Random forest"[URL]
- "SVM"[URL]
- "KNN"[URL]
- 고우석, "머신러닝 기반 CFS(Correlation-based Feature Selection)기법과 Random Forest모델을 활용한 BMI(Benthic Macroinvertebrate Index) 예측에 관한 연구", 한국물환경학회지, 35(5), pp.425~431 (2019), 한국물환경학회[DOI]
- Sung-Guk Choi, "A Study on the Prediction of Intrusion Types Using a Support Vector Machine", pp.2016
- 김홍비, "Stacked Autoencoder 기반 악성코드 Feature 정제 기술 연구", 정보보호학회논문지, 30(4), pp.593~603 (2020), 한국정보보호학회[DOI]
- 정성민, "V-그램: 명령어 기본 블록과 딥러닝 기반의 악성코드 탐지", 정보과학회논문지, 46(7), pp.599~605 (2019), 한국정보과학회[DOI]
- 조진영, "정적 분석과 스태킹 기법을 활용한 악성 코드 탐지 시스템에 관한 연구", 전기학회 논문지 P권, 69(3), pp.187~192 (2020), 대한전기학회
- 조영민, "API Call Time Interval을 활용한 머신러닝 기반의 악성코드 탐지", 정보보호학회논문지, 30(1), pp.51~58 (2020), 한국정보보호학회[DOI]
- 강성은, "머신러닝을 이용한 권한 기반 안드로이드 악성코드 탐지", 정보보호학회논문지, 28(3), pp.617~623 (2018), 한국정보보호학회[DOI]