국방 사이버 보안 강화를 위한 SLM 기반 악성코드 분석 프레임워크 연구
An SLM-Based Malware Analysis FrameworktoStrengthenCybersecurity inNationalDefenseSystems
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
군 지휘통제체계 등 폐쇄망 기반 인프라에서는 악성코드의 실시간 탐지와 행위분석 역량 확보가 중요한 도전과제로 대두되고 있다. 본 연구에서는 이러한제한된 컴퓨팅 자원 조건에서도 안정적으로 활용 가능한 RAG-LoRA 최적화SLM 기반 악성코드 탐지 및 행위 분석 프레임워크를 제안한다. 제안된프레임워크는 SVM 기반 탐지기와 LoRA로 최적화된 SLM 분석기로 구성되며, 여기에 RAG모듈을 결합하여 정확성을 향상시켰다. 실험 결과, SVM을 활용한탐지 구성요소는 정확도 98.6%와 F1-score 0.990으로 매우 높은 성능을나타냈다. 동시에 LoRA가 적용된 SLM 기반 분석 구성요소는 BLEU Score 67%와 92.3%의 행위 유형 분류 정확도를 달성해 제안한 프레임워크의 효과성을뒷받침하였다. 아울러 평균 1.35초의 추론 시간, 1.5GB의 메모리 사용량, 5.1GB의 모델 크기를 통해 제한된 환경에서도 안정적으로 동작할 수 있는 자원효율성을 확인하였다. 특히 RAG 모듈 적용 시 BLEU Score는 67%에서 71%, 유형 분류 정확도는 92.3%에서 93.8%로 개선되었다. 본 연구의 핵심 기여는SVM의 고속 탐지 기능과 LoRA 최적화 SLM의 문맥적 분석 능력을 결합한 이중구조 프레임워크에, RAG 모듈을 통합하여 실시간 악성코드 분석 체계로 확장될수 있는 실질적 가능성을 제공한다.
Abstract
In air-gapped operational domains—including military command-and-control infrastructures—there is an increasing demand for instant identification of malicious activities and comprehensive interpretation of malware behaviors. This study presents a resource-efficient malware analysis framework based on a RAG–LoRA optimized SLM, designed to operate effectively under limited computational conditions. The framework integrates an SVM detector with a LoRA-enhanced SLM analyzer, further improved through a RAG module. Experiments show that the SVM detector achieves 98.6% accuracy and an F1-score of 0.990, while the LoRA-based SLM records a 67% BLEU score and 92.3% classification accuracy. The system also demonstrates practical deployability with an average inference time of 1.35 seconds, 1.5 GB memory usage, and a 5.1 GB model size. With the RAG module, the BLEU score improves to 71% and classification accuracy to 93.8%. Overall, this study provides a compact dual-structure framework that combines fast SVM detection with the contextual analysis capability of a LoRA-optimized SLM, enhanced by RAG for more accurate real-time malware analysis.