본문 바로가기
KERD
논문KCI 등재

연도별 데이터 조합 기계학습을 통한 안드로이드 악성 앱 탐지의 지속 가능성 향상 연구

A Study on the Sustainability Improvement of Android Malicious App Detection through Year Data Set Combination Machine Learning

황영섭|조성제|한상철|조우상
한국차세대컴퓨팅학회 (KINGComputing)|2022.10|한국차세대컴퓨팅학회 논문지 (The Journal of Korean Institute of Next Generation Computing)|제18권 제5호|pp. 47-57|DOI 10.23019/kingpc.18.5.202210.005

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

기계학습sustainabilitymachine learning지속 가능성Android안드로이드악성 앱 탐지permission퍼미션API callmalicious app detection
주제분류컴퓨터학

초록

기계학습을 이용한 안드로이드 악성 앱 탐지 연구가 활발하지만 미래의 악성 앱을 기존의 모델로 예측할 수 있는 지속 가능성 문제에 대한 연구가 상대적으로 부족하다. 이전 연구는 기존 악성 앱 탐지 연구가 특정기간의 데이터만 사용하였고, 그 결과 지속 가능성이 부족함을 보였다. 본 논문은 그 해결책으로 연도별 데이터를 조합하여 지속 가능성을 향상하는 실험을 진행하였다. 2014년부터 2020년까지의 연도별 데이터에서 2개 연도 또는 3개 연도 데이터를 조합하여 기계학습을 실시하고, 모든 연도의 데이터로 모델을 평가하였다. 실험결과 데이터의 분포가 크게 달라지는 3개 연도 데이터 조합이 가장 좋은 성능을 보였다.

Abstract

Although research on Android malicious app detection using machine learning is active, research on sustainability issues that can predict future malicious apps with existing models is relatively scarce. Previous studies showed that existing malicious app detection studies only used data for a specific period, and as a result, lack of sustainability. To find a solution, we conducted an experiment to improve sustainability by combining yearly data. We trained machine learning models by combining data from two or three years from year-by-year data from 2014 to 2020, and the model was evaluated with data from all years. As a result of the experiment, the three-year data combination in which the distribution of the data was significantly different showed the best performance.

참고문헌 (23)

  1. J. Park, "Analysis of Permission Selection Techniques in Machine Learning-based Malicious App Detection", 2020 IEEE Third International Conference on Artificial Intelligence and Knowledge Engineering (AIKE) (2020)
  2. J. Li, "Significant permission identification for machine-learning-based android malware detection", IEEE Transactions on Industrial Informatics, 14(7), pp.3216~3225 (2018)
  3. J. Jung, "Feature engineering and evaluation for android malware detection scheme", Journal of Internet Technology, 22(2), pp.423~440 (2021)
  4. N. Peiravian, "Machine learning for android malware detection using permission and api calls", 2013 IEEE 25th international conference on tools with artificial intelligence, pp.300~305 (2013)
  5. S. Liang, "Permission-combination-based scheme for android mobile malware detection", 2014 IEEE international conference on communications(ICC), pp.2301~2306 (2014)
  6. D. Arp, "Drebin: Effective and explainable detection of android malware in your pocket", NDSS, 14, pp.23~36 (2014)
  7. Y. Aafer, "Droidapiminer:Mining api-level features for robust malware detection in android", International conference on security and privacy in communication systems, pp.86~103 (2013), Springer
  8. K. Tam, "The evolution of android malware and android analysis techniques", ACM Computing Surveys, 49(4), pp.1~41 (2017)
  9. Qing Wu, "A Survey of Android Malware Static Detection Technology Based on Machine Learning", Mobile Information Systems, 2021, pp.1~18 (2021), Hindawi Limited[DOI]
  10. 조우상, "퍼미션과기계학습을 이용한 안드로이드 악성 앱 탐지의 지속가능성 (sustainability) 분석", 2022 한국차세대컴퓨팅학회 학술대회, pp.293~297 (2022)
  11. 이호준, "API 콜을 이용한 머신러닝 기반 안드로이드멀웨어 탐지의 지속가능성 분석 연구", 2022 한국차세대컴퓨팅학회 학술대회, pp.298~301 (2022)
  12. L. Onwuzurike, "Mamadroid: Detecting android malware by building markov chains of behavioral models (extended version)", ACM Transactions on Privacy and Security (TOPS), 22(2), pp.1~34 (2019)
  13. F. Pendlebury, "{TESSERACT}:Eliminating experimental bias in malware classification across space and time", 28th USENIX Security Symposium, pp.729~746 (2019)
  14. H. Cai, "Assessing and improving malware detection sustainability through app evolution studies", ACM Trans. on Software Engineering and Methodology, 29(2), pp.1~28 (2020)
  15. X. Zhang, "Enhancing state-of-the-art classifiers with api semantics to detect evolved android malware", Proceedings of the 2020ACM SIGSAC conference on computer and communications security, pp.757~770 (2020)
  16. K. Allix, "Androzoo: Collecting millions of android apps for the research community", 2016 IEEE, 2016, 468~471
  17. "AAPT2"[URL]
  18. "DexDump.cc"[URL]
  19. "Android SDK Tools", Android Developer, ~
  20. "Dangerous permission group"[URL]
  21. 박건우, "CFG, 라이브러리 정보를 이용한 권한 기반 안드로이드 악성코드 탐지 기술의 성능 향상", 한국차세대컴퓨팅학회 논문지, 15(6), pp.15~24 (2019), 한국차세대컴퓨팅학회[DOI]
  22. 이준영, "퍼미션 정보를 이용한 딥 러닝 기반 안드로이드 악성 앱 패밀리 분류", 한국차세대컴퓨팅학회 논문지, 18(4), pp.7~14 (2022), 한국차세대컴퓨팅학회[DOI]
  23. 이진성, "엔드포인트 환경에서 머신러닝 기반 분석을 위한 악성 Procedure 검증에 대한 연구", 한국차세대컴퓨팅학회 논문지, 18(4), pp.35~42 (2022), 한국차세대컴퓨팅학회[DOI]

관련 논문AI추천

안드로이드 정상 및 악성 앱 판별을 위한 최적합 머신러닝 기법이한성, 이형우한국사물인터넷학회 · 사물인터넷융복합논문지2020 · 제6권 제2호악성 안드로이드 앱 탐지를 위한 개선된 특성 선택 모델부주훈, 이경호한국정보보호학회 · 정보보호학회논문지2020 · 제30권 제3호선별된 특성 정보를 이용한 안드로이드 악성 앱 탐지 연구김강석, 명상준중소기업융합학회 · 융합정보논문지2022 · 제12권 제3호모바일 환경에 적합한 DNN 기반의 악성 앱 탐지 방법에 관한 연구김승주, 서인혁, 유진현한국정보처리학회 · 정보처리학회논문지. 컴퓨터 및 통신시스템2017 · 제6권 제3호머신러닝 기반 안드로이드 모바일 악성 앱의최적 특징점 선정 및 모델링 방안 제안윤영, 오승택, 이계웅한국정보처리학회 · 정보처리학회 논문지2019 · 제8권 제11호K-평균 클러스터링 기반 안드로이드 악성 앱 탐지 기법의 지속가능성 개선김동재, 안석현, 정성원, 조성제, 황영섭한국소프트웨어감정평가학회 · 한국소프트웨어감정평가학회 논문지2024 · 제20권 제3호

이 간행물의 다른 논문 (7건)

Edge TPU에서의 실시간성 보장을 위한 실시간 DNN 프레임워크한창헌, 오상은pp. 7-18자동화된 2차원 복부 CT 영상에서 딥러닝 기법을 이용한 근육 분할 기법계희원, 박태용, 이정진, 정희렬, 조다솜, 송현주, 김경원pp. 19-27부분 폐색 영역의 GAN 기반 복원을 통한 효과적 얼굴인식 기법홍충표, 임재성pp. 28-37Magenta를 활용한 웹 드라마 음원 자동 생성문미경, 전이슬pp. 38-46비지도 외부-내부 심층 학습을 사용한 해수면 온도 위성 영상 복원최재영, 김문업, 김성주pp. 58-71
원문 보기