심층 신경망 기반 차세대 악성코드 탐지에 관한 연구 (악성코드 시각화 및 고성능 분류 / 이상탐지 모델 개발)
Deep Neural Networks for Next-Generation Malware Detection (Malware Visualization Techniques and High-Performance Classification / Anomaly Detection Models)
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
현대의 디지털 환경에서 악성코드는 정교하게 진화하여 전통적인 탐지 방식을우회하고 있다. 본 연구는 이를 해결하기 위해 악성코드 시각화 기법과 잔차네트워크, 밀집 네트워크, 오토인코더 알고리즘을 결합한 심층 신경망 기반 컴퓨터 비전모델을 제안한다. 'MDResNet'과 'MDDenseNet' 두 모델은 악성코드 데이터를이미지로 변환하여 합성곱 신경망(Convolutional Neural Network, CNN) 내에서잔차 학습과 밀집 연결을 통합한 딥러닝 전략을 사용한다. 이 접근 방식은 학습효율성을 높이고, 복잡한 악성코드 패턴을 기존 방법보다 19% 더 정확하게 분류한다. 'MDAuto-Encoder' 모델은 오토인코더에 CNN과 잔차 네트워크를 융합하여 비정상적인패턴을 식별하는 이상탐지 모델이다. 해당 모델은 '완벽한 판별기'에 가까운 성능을보여주는 강력한 악성코드 탐지 도구이다. 이 논문에서는 모델 학습과 평가를위해 MalwarePix 악성코드 이미지 데이터셋을 구축하였다. 이러한 데이터셋은딥러닝 모델의 성능을 향상시키며, 악성코드 연구에 새로운 벤치마크를 제공한다. 본 논문은 악성코드 시각화 및 심층 신경망 기반 비전 모델의 설계부터 구현까지의과정을 설명하고, 엄격한 실험을 통해 데이터셋과 각 모델의 유효성을 검증하였다. 제안된 데이터셋과 모델은 급변하는 사이버 위협에 대응하는 중요 기술로 활용될 것이다
Abstract
In the modern digital environment, malware has become increasingly sophisticated, evading traditional detection methods.This study addresses this issue by proposing deep neural network-based computer vision models that combine malware visualization techniques with Residual Networks(ResNet), Dense Networks(DenseNet), and Autoencoder algorithms. The'MDResNet' and 'MDDenseNet' models transform malware data into images, employing a deep learning strategy that integrates residual learning and dense connections within Convolutional Neural Networks(CNNs). This approach enhances learning efficiency and classifies complex malware patterns with 19% greater accuracy than traditional methods. The'MDAuto-Encoder' model combines CNN and ResNet with an Autoencoder to create an anomaly detection model that identifies abnormal patterns. This model functions as a powerful malware detection tool, approaching the performance of a'Perfect Discriminator'. For model training and evaluation, The present author has constructed three malware image datasets: MalwarePix-small, -medium, and -large. These datasets enhance deep learning model function and provide a new benchmark for malware research. This paper details the design and implementation of deep neural network-based computer vision models and validates the datasets and models through rigorous experiments. The proposed datasets and models will be usefully used as the essential technologies in responding to rapidly evolving cyber threats.