CFG, 라이브러리 정보를 이용한 권한 기반 안드로이드 악성코드 탐지 기술의 성능 향상
1
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
본 논문에서는 안드로이드 악성코드의 증가 추세에 대응하여 향상된 성능의 정적 악성코드 탐지 기법을 고안하였다. 기존의 어플리케이션의 권한을 특징(feature)으로 사용하는 악성코드 탐지 기법에 라이브러리 사용 정보와 control flow graph (CFG)의 속성을 특징으로 추가하여 성능을 향상시켰다. 또한, 라이브러리와 CFG는 구조 분석을 통해 특징을 추출하므로 리네이밍(renaming) 난독화에 대하여 독립적이라는 특징이 있어 난독화에 취약한 권한 사용 탐지 기법을 보완하는 추가적인 이점을 가진다. 어플리케이션으로부터 추출한 세 가지 특징을 기반으로 양방향 장단기 기억 네트워크(bidirectional long short-term memory)를 이용한 악성코드 탐지 모델을 제안하였다. 세 가지 특징을 모두 사용한 악성코드 분류 모델을 안드로이드 악성코드와 일반 어플리케이션을 합친 데이터에 적용하였을 때 정확도 99.62%, 정밀도 100%, 재현율 99.26%, F1 99.62%로 높은 성능과 신뢰도를 보였다.
Abstract
In this paper, we propose a static Android malware detection technique to improve the detection performance and reliability. Based on the permission feature which is heavily used in the previous works, we additionally use the library dependency and control flow graph (CFG) as features for improving our detection performance. Library dependency and CFG-based features are efficient to detect Android malware, which is obfuscated using renaming technique because these are extracted by structural analysis. By combining these three features, we propose a novel malware detection model using bidirectional long short-term memory. As results, we achieved 99.62% overall detection rate. Our model is highly reliable: where the precision, recall and F1 scores are 100%, 99.26% and 99.62%, respectively.
참고문헌 (21)
- McAfee Mobile Threat Report, , McAfee Labs, ~ (2019)
- 강성은, "머신러닝을 이용한 권한 기반 안드로이드 악성코드 탐지", 정보보호학회논문지, 28(3), pp.617~623 (2018), 한국정보보호학회[DOI]
- Sanz B., "PUMA:Permission Usage to Detect Malware in Android", International Joint Conference CISIS’12-ICEUTE´12-SOCO´12 Special Sessions. Advances in Intelligent Systems and Computing, 189 (2013), Springer
- Vinayakumar R., "Detecting Android malware using Long Short-term Memory (LSTM)", Journal of Intelligent &Fuzzy Systems, 34(3), pp.1277~1288 (2018)
- 최상훈, "Mem-Shot: Design and Implementation of API-Trigger Driven Memory Dump System for Obfuscated Malware Analysis", 한국차세대컴퓨팅학회 논문지, 12(4), pp.23~32 (2016), 한국차세대컴퓨팅학회
- Michael Backes, "Reliable Third-Party Library Detection in Android and its Security Applications", CCS '16 Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security, pp.356~367 (2016)
- "LibScout"[URL]
- Alasmary H., "Graph-Based Comparison of IoT and Android Malware", Computational Data and Social Networks. CSoNet 2018. Lecture Notes in Computer Science, 11280 (2018), Springer
- Hugo Gascon, "Structural detection of android malware using embedded call graphs", AISec '13 Proceedings of the 2013 ACM workshop on Artificial intelligence and security, pp.45~54 (2013)
- "Android Malware Dataset(AMD)"[URL]
- "Apkpure"[URL]
- "Androguard"[URL]
- "Networkx"[URL]
- Alex Graves, "Framewise phoneme classification with bidirectional LSTM and other neural network architectures", Neural Networks, 18, pp.602~610 (2005)
- 김선범, "딥러닝 알고리즘을 이용한 문서의 인코딩 및 언어 판별", 한국차세대컴퓨팅학회 논문지, 13(5), pp.124~130 (2017), 한국차세대컴퓨팅학회
- 김기용, "Word2Vec과 2계층 양방향 장단기 기억 네트워크를 이용한 특허 문서의 자동 IPC 분류", 한국차세대컴퓨팅학회 논문지, 15(2), pp.50~60 (2019), 한국차세대컴퓨팅학회[DOI]
- 김정일, "제어 흐름 난독화를 효과적으로 수행하기 위한 전략", 한국컴퓨터정보학회논문지, 16(6), pp.41~50 (2011), 한국컴퓨터정보학회
- Vinayakumar, R., "Detecting Android malware using long short-term memory (LSTM)", Journal of Intelligent & Fuzzy Systems, 34(3), pp.1277~1288 (2018)
- Yan, Jinpei, "LSTMbased hierarchical denoising network for Android malware detection", Security and Communication Networks 2018 (2018)
- Naway, Abdelmonim, "A Review on The Use of Deep Learning in Android Malware Detection", arXiv preprint arXiv:1812.10360, ~ (2018)
- Pektaş, Abdurrahman, "Deep learning for effective Android malware detection using API call graph embeddings", Soft Computing, pp.1~17 (2019)