본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

제1장 서론 8

1.1. 연구 배경 8

1.2. 연구 내용 9

1.3. 논문 구성 10

제2장 관련 연구 11

2.1. 악성코드 분류 연구 11

2.2. 자연어 연구 13

2.2.1. 데이터 전처리 13

2.2.2. 신경망 기반 자연어 연구 15

제3장 악성코드 분류 모델 17

3.1. Preprocessing Layer 17

3.1.1. API(Application Programming Interface) 17

3.1.2. Word2Vec(Skip-gram) 18

3.2. Hidden Layer 20

3.3. Attention Layer 22

3.4. Classification Layer 24

제4장 실험 및 평가 25

4.1. 실험 환경 25

4.2. 실험 데이터 26

4.2.1. Cuckoo Sandbox 26

4.2.2. 악성코드 구성 정보 27

4.2.3. API 정보 규정 및 추출 정보 28

4.3. 비교 알고리즘 29

4.3.1. CART(Classification And Regression Trees) 29

4.3.2. Random forest 30

4.3.3. SVM(Support Vector Machine) 31

4.3.4. CNN(Convolutional Neural Network) 33

4.3.5. Malware Classification with Recurrent Networks 35

4.3.6. Deep Learning for Classification of Malware System Call Sequence 36

4.4. 성능 평가 방법 37

4.4.1. 데이터 37

4.4.2. 평가 척도 37

4.5. 실험 39

4.5.1. t-SNE로 표현한 악성코드 API 39

4.5.2. 악성코드 분류 결과 41

4.5.3. 성능 비교 43

4.5.4. 신경망 모델 간의 메모리 점유량 및 학습 시간 비교 45

제5장 결론 및 향후 연구 47

참고문헌 48

국문초록 50

Abstract 51

[표 1] 실험 환경 25

[표 2] 악성코드 데이터셋의 정보 27

[표 3] 추출 정보 28

[표 4] CNN 설정 34

[표 5] 악성코드 분류 결과 41

[표 6] 각 클래스별 재현율과 정밀도 42

[표 7] 제안 모델과 CNN 설정 정보 45

[그림 1] 악성코드 증가 추이 8

[그림 2] 악성코드 분석 방식에 따른 추출 데이터 및 분석 방법 11

[그림 3] 데이터 특성 13

[그림 4] 신경망에 기반한 제안된 기법 14

[그림 5] 문장 분류를 위한 CNN 15

[그림 6] 악성코드 분류 모델 17

[그림 7] Skip-gram에서의 인접 단어 예측 18

[그림 8] Skip-gram 모델이 적용된 API sequence 19

[그림 9] LSTM 구성도 20

[그림 10] 양방향 LSTM 21

[그림 11] Attention Mechanism 22

[그림 12] Cuckoo Sandbox Dashboard 26

[그림 13] 악성코드 API 분석 정보 예시 28

[그림 14] Random forest 구조 30

[그림 15] SVM 원리 31

[그림 16] CNN 구성도 33

[그림 17] 제안 모델 35

[그림 18] 제안 모델 36

[그림 19] 오차 행렬(Confusion matrix) 37

[그림 20] t-SNE로 압축된 API 39

[그림 21] File 관련 API 군집 40

[그림 22] 전통 모델과의 성능 비교 43

[그림 23] 신경망 모델과의 성능 비교 44

[그림 24] VRAM 점유량 및 학습 시간 45

초록보기

 스마트폰 및 태블릿 등 디바이스가 다양화되고 무선 인터넷 망의 확대로 악성코드가 빠르게 증가하고 있다. 악성코드의 증가량 대부분은 원본 악성코드를 기반으로 재생성된 변종 악성코드이다. 이에 변종 악성코드를 적절하게 분류하여 대처하는 방식이 요구된다. 본 논문에서는 악성코드를 분류를 위하여 악성코드가 호출하는 API를 입력값으로 사용하고 자원 소모 절약 및 특성값 계산을 목적으로 자연어 처리 기법을 적용하였다. 자연어 처리 기법은 단어 전처리 기법인 Word2Vec를 사용하고 특성값 계산을 위한 신경망은 RNN의 한 기법인 LSTM을 사용한다. 또한 중요 API에 가중치를 주기 위하여 Attention Mechanism을 적용하였다. 악성코드 API 호출과 자연어 처리 기법 이용한 악성코드 분류는 전통적인 분류 기법 또는 다른 신경망 기법보다 나은 분류 정확률을 보여주며 상대적으로 낮은 오탐률을 지닌다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차