가우시안 혼합 모델 군집화를 적용한 안드로이드 악성 앱 탐지 기법
An Android Malware Detection Technique Using Gaussian Mixture Model Clustering
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
안드로이드 악성 앱들을 효과적으로 탐지하기 위해 기계학습 기반의 앱 분류 기법이 많이 연구되고 있다. 전통적인 기계학습 기반의 안드로이드악성 앱 탐지 기법은, 시간이 지남에 따라 앱의 특징이 변화하는 개념 드리프트(concept drift) 문제로 인해 성능이 저하된다. 본 논문에서는 개념드리프트에 효과적으로 대응하기 위해, GMM(Gaussian Mixture Model) 군집화를 적용한 새로운 악성 앱 탐지 기법을 제안한다. 제안 기법은 데이터의 확률적 분포를 여러 개의 가우시안 컴포넌트로 모델링하고, 컴포넌트별로 최적화된 분류기를 학습시키는 방식으로 동작함으로써, 재학습을하지 않고도 시간에 따라 변화하는 안드로이드 앱의 특징에 효과적으로 대응할 수 있다. 2014년부터 2023년까지의 안드로이드 앱들을 대상으로실험한 결과, 개념 드리프트로 인해 2019년 이후 데이터 셋에 대해 전통적인 기계학습 모델의 성능이 크게 저하되었다. 반면, 제안된 GMM 기반모델은 모든 연도에서 비교적 안정적인 성능을 유지하며, 전통적인 기계학습 모델보다 F1-Score는 8.9%p, AUT는 10.1%p 향상된 성능을 보였다.
Abstract
Machine learning-based techniques have been extensively explored for detecting malicious Android applications. However, traditionalmodels often suffer from performance degradation over time due to concept drift, where the behavioral and structural features of appsevolve. To address this issue, we propose a novel detection framework that leverages Gaussian Mixture Model (GMM) clustering to mitigatethe impact of concept drift. Our approach models the underlying data distribution as a mixture of Gaussian components and trains aspecialized classifier for each component. This allows the system to adapt to shifting feature distributions without the need for frequentretraining. Experimental evaluations conducted on Android app datasets spanning from 2014 to 2023 demonstrate that traditional machinelearning models experience significant performance decline on post-2019 data due to concept drift. In contrast, our GMM-based frameworkmaintains robust detection performance across all years, achieving an 8.9 percentage point improvement in F1-score and a 10.1 percentagepoint increase in Area Under Time (AUT) compared to conventional methods.