표제지
요약
목차
제1장 서론 10
제1절 연구배경 및 목적 10
제2절 연구 범위 및 방법 13
제2장 관련 연구 14
제1절 머신러닝과 딥러닝 14
1. 머신러닝 및 딥러닝 절차 16
제2절 특성 선택 18
제3절 CNN(Convolution Neural Network) 21
제4절 선행 연구 26
제3장 특성선택과 CNN을 이용한 악성코드 탐지 모델 28
제1절 데이터 전처리 및 특성 선택 28
제2절 신경망 모델 구조 40
제4장 실험 및 평가 42
제1절 실험 환경 및 절차 42
제2절 실험결과 및 분석 46
제5장 결론 58
참고문헌 60
Abstract 64
〈표 1〉 Total number of samples in CICAndMal2017 Dataset 29
〈표 2〉 CICAndMal2017 Malware Categories and Families 30
〈표 3〉 안드로이드 모바일 악성코드 데이터 세트 비교 기준 31
〈표 4〉 특성추출을 위한 서브데이터세트 33
〈표 5〉 Features extracted by Chi-square(이진 및 카테고리 분류) 34
〈표 6〉 Features extracted by Chi-square(패밀리 분류) 36
〈표 7〉 실험에 사용된 CNN모델의 구조 40
〈표 8〉 Experimental Subdataset 43
〈표 9〉 실험 별 성능평가 지표 46
〈표 10〉 이진분류 실험 결과 47
〈표 11〉 카테고리 분류 실험 결과 48
〈표 12〉 카테고리 분류 실험에 대한 Confusion Matrix 49
〈표 13〉 패밀리 분류 실험 결과 50
〈표 14〉 Adware 패밀리분류 실험 결과 51
〈표 15〉 Ransomware 패밀리분류 실험 결과 52
〈표 16〉 Scareware 패밀리분류 실험 결과 53
〈표 17〉 SMSmalware 패밀리분류 실험 결과 54
〈표 18〉 이전연구와 이진분류 실험 비교 56
〈표 19〉 이전연구와 카테고리 분류 실험 비교 56
〈표 20〉 이전연구와 패밀리 분류 실험 비교 57
〈그림 1〉 보안 위협 전망 10
〈그림 2〉 인공지능, 머신러닝, 딥러닝 기술적 관계 14
〈그림 3〉 Neuroan과 Artificial neuron 15
〈그림 4〉 머신러닝 모델 개발 절차 16
〈그림 5〉 Filter Method 과정 19
〈그림 6〉 Wrapper Method 과정 19
〈그림 7〉 Embedded Method 과정 20
〈그림 8〉 CNN모델의 구조 및 Layer 종류 21
〈그림 9〉 컬러이미지에 대한 텐션 표현 22
〈그림 10〉 하나의 채널에 대한 합성곱(Convolution) 계층의 동작 22
〈그림 11〉 Stride 설정, (좌) stride = 1인 경우, (우) stride= 2인 경우 23
〈그림 12〉 Padding 설정, (좌) padding을 안한 경우, (우) Zero-padding인 경우 24
〈그림 13〉 Max-pooling이 적용된 Pooling Layer 24
〈그림 14〉 Proposed System Overview 28
〈그림 15〉 Image Transformation Process 39
〈그림 16〉 Confusion Matrix 44
〈그림 17〉 Confusion Matrix of Binary Classification 47
〈그림 18〉 Confusion Matrix of Adware_Family Classification 51
〈그림 19〉 Confusion Matrix of Ransomware_Family Classification 52
〈그림 20〉 Confusion Matrix of Scareware_Family Classification 53
〈그림 21〉 Confusion Matrix of SMSmalware_Family Classification 54