SVM 기반 유전 알고리즘을 이용한 컴파일러 분석 프레임워크 : 특징 및 모델 선택 민감성
Compiler Analysis Framework Using SVM-Based Genetic Algorithm : Feature and Model Selection Sensitivity
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
악성코드 기술 발전으로 변이, 난독화 등의 탐지 회피 방법이 고도화되고 있다. 이에 악성코드 탐지 기술에 있어알려지지 않은 악성코드 탐지 기술이 중요하며, 배포된 악성코드를 통해 저자를 식별하여 알려지지 않은 악성코드를탐지하는 악성코드 저자 식별 방법이 연구되고 있다. 본 논문에서는 바이너리 기반 저자 식별 방법에 대해 중요 정보인 컴파일러 정보를 추출하고자 하였으며, 연구 간에 특징 선택, 확률 및 비확률 모델, 최적화가 분류 효율성에 미치는 민감성(Sensitive)을 확인하고자 하였다. 실험에서 정보 이득을 통한 특징 선택 방법과 비확률 모델인 서포트벡터 머신이 높은 효율성을 보였다. 최적화 연구 간에 제안하는 프레임워크를 통한 특징 선택 및 모델 최적화를 통해 높은 분류 정확도를 얻었으며, 최대 48%의 특징 감소 및 51배가량의 빠른 실행 속도라는 결과를 보였다. 본 연구를 통해 특징 선택 및 모델 최적화 방법이 분류 효율성에 미치는 민감성에 대해 확인할 수 있었다.
Abstract
Advances in detection techniques, such as mutation and obfuscation, are being advanced with the development of malwaretechnology. In the malware detection technology, unknown malware detection technology is important, and a method forMalware Authorship Attribution that detects an unknown malicious code by identifying the author through distributedmalware is being studied. In this paper, we try to extract the compiler information affecting the binary-based authoridentification method and to investigate the sensitivity of feature selection, probability and non-probability models, andoptimization to classification efficiency between studies. In the experiment, the feature selection method through informationgain and the support vector machine, which is a non-probability model, showed high efficiency. Among the optimizationstudies, high classification accuracy was obtained through feature selection and model optimization through the proposedframework, and resulted in 48% feature reduction and 53 faster execution speed. Through this study, we can confirm thesensitivity of feature selection, model, and optimization methods to classification efficiency.
참고문헌 (14)
- Y. Ye, "A survey on malware detection using data mining techniques", ACM Computing Surveys (CSUR), 50(2), pp.1~41 (2017)
- 김수정, "정적 분석 기반 기계학습 기법을 활용한 악성코드 식별 시스템 연구", 정보보호학회논문지, 29(4), pp.775~784 (2019), 한국정보보호학회[DOI]
- E. H. Spafford, "Software forensics: Can we track code to its authors?", Computers &Security, 12(6), pp.585~595 (1993)
- E. Stamatatos, "A survey of modern authorship attribution methods", Journal of the American Society for information Science and Technology, 60(3), pp.538~556 (2009)
- A. Rahimian, "Bincomp: A stratified approach to compiler provenance attribution", Digital Investigation, 14, pp.146~155 (2015)
- S. Alrabaee, "OBA2: An Onion approach to Binary code Authorship Attributio", Digital Investigation, 11, pp.94~103 (2014)
- S. Alrabaee, "On the Feasibility of Malware Authorship Attribution", International Symposium on Foundations and Practice of Security, pp.256~272 (2017), Springer
- N. E. Rosenblum, "Learning to Analyze Binary Computer Code", Proceedings of the the Twenty-Third AAAI Conference on Artificial Intelligence, pp.798~804 (2008)
- N. E. Rosenblum, "Extracting compiler provenance from program binaries", Proceedings of the 9th ACM SIGPLAN-SIGSOFT workshop on Program analysis for software tools and engineering, pp.21~28 (2010), ACM
- N. E. Rosenblum, "Who wrote this code? identifying the authors of program binaries", European Symposium on Research in Computer Security, pp.172~189 (2011), Springer
- Dong-Seong Kim, "Genetic algorithm to improve SVM based network intrusion detection system", 19th International Conference on Advanced Information Networking and Applications, 1, pp.155~158 (2005)
- N. Milosevic, "Machine learning aided Android malware classification", Computers & Electrical Engineering, 61, pp.266~274 (2017)
- D. Arp, "DREBIN: Effective and Explainable Detection of Android Malware in Your Pocket", Ndss, 14, pp.23~26 (2014)
- M. N. Yusoff, "Optimizing Decision Tree in Malware Classification System by using Genetic Algorithm Naïve Bayes :Sensitive to the correlated attributes", computing, 10(14), pp.694~713 (2011)