인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
기계학습된 API 특성 정보기반 모바일 악성코드 위험도 정량평가 기법 Quantitative Risk Assessment Scheme of Mobile Malwares Based on Machine Learned API Characteristics
논문 기본 정보
- 저자정보
- 지도교수
- 이정현
- 발행연도
- 2017
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용 4
기계학습된 API 특성 정보기반 모바일 악성코드 위험도 정량평가 기법
초록·키워드
모바일 기기 활성화와 더불어 모바일 애플리케이션의 숫자는 매우 빠르게 증가하고 있고, 앞으로 모든 사물이 연결되는 IoT 시대에서 개인별 맞춤형 서비스를 제공하기 위해서는 각 개인의 정보를 가장 많이 보유하고 있는 모바일 기기의 역할이 더욱 증대될 것이다. 이에 상응하는 수준으로 개인정보 유출, 금전적 이득 등의 역기능을 목적으로 하는 악성 애플리케이션도 증가하고 있다. 일반 사용자들은 애플리케이션이 악성행위를 하는지 아닌지를 쉽게 확인할 수 없을 뿐만 아니라, 안드로이드의 경우 오픈 마켓 정책으로 인해 악성행위를 하는 애플리케이션도 배포가 가능한 구조로 되어 있다.
따라서 본 논문에서는 애플리케이션에서 실질적으로 동작하는데 사용하는 API의 위험 점수를 기계학습 기법을 활용하여 생성하고 배포 또는 설치하고자 하는 애플리케이션의 위험도를 정량적으로 측정할 수 있는 기법을 소개한다. 제안 기법의 구현을 위해 Google Play, Contagio, VirusShare로부터 정상 뿐만 아니라 악성애플리케이션 샘플들을 다운로드 받아 데이터베이스를 구축하고, 샘플 애플리케이션들의 역공학 분석 결과들 통하여 제안 기법의 예측결과의 의미를 제시하고자 한다.
제안 기법에서 제시하는 애플리케이션 위험도 평가는 향후 모바일 애플리케이션의 위험도를 정량적으로 평가할 수 있는 핵심 요소기술로 활용 될 수 있을 것으로 기대된다.
따라서 본 논문에서는 애플리케이션에서 실질적으로 동작하는데 사용하는 API의 위험 점수를 기계학습 기법을 활용하여 생성하고 배포 또는 설치하고자 하는 애플리케이션의 위험도를 정량적으로 측정할 수 있는 기법을 소개한다. 제안 기법의 구현을 위해 Google Play, Contagio, VirusShare로부터 정상 뿐만 아니라 악성애플리케이션 샘플들을 다운로드 받아 데이터베이스를 구축하고, 샘플 애플리케이션들의 역공학 분석 결과들 통하여 제안 기법의 예측결과의 의미를 제시하고자 한다.
제안 기법에서 제시하는 애플리케이션 위험도 평가는 향후 모바일 애플리케이션의 위험도를 정량적으로 평가할 수 있는 핵심 요소기술로 활용 될 수 있을 것으로 기대된다.
목차
- 국문초록 v영문초록 vii제 1 장 서론 11.1 연구 배경 11.2 연구 목적 11.3 논문 구성 2제 2 장 관련 연구 32.1 퍼미션 기반 위험도 평가 기법 32.2 사용자 리뷰 기반 위험도 평가 기법 52.3 안드로이드 APK 파일 구조 62.4 기계 학습 112.4.1 지도 학습 112.4.2 앙상블 학습 12제 3 장 제안 기법 143.1 제안 기법 설계 143.2 학습 데이터 생성 163.3 프레임워크 API 메타데이터 수집기 183.4 데이터 전처리기 203.4.1 토큰화 213.4.2 스톱 워드 여과 223.4.3 어간 추출 243.5 API 순위 생성기 253.5.1 모델 최적화 273.5.2 API 순위 생성 283.6 위험도 점수 생성기 293.6.1 애플리케이션 코드 추출 293.6.2 애플리케이션 위험도 평가 31제 4 장 제안 기법 실험 및 결과 334.1 실험 환경 334.2 실험 결과 33제 5 장 결론 41참고문헌 43
최근 본 자료 전체보기
