하이브리드 분석을 이용한 기계학습 기반의 랜섬웨어 탐지 모델 연구 :A study on Machine Learning-based Ransomware Detection Model using Hybrid Analysis

김지원

추천

검색

자료유형: 학위논문

저자정보: 김지원 (건국대학교, 건국대학교 대학원)

지도교수: 김성열

발행연도: 2017

저작권: 건국대학교 논문은 저작권에 의해 보호받습니다.

이용수5

이 논문의 연구 히스토리 (2)

2017

하이브리드 분석을 이용한 기계학습 기반의 랜섬웨어 탐지 모델 연구

김지원 IT융합정보보호학과 2017.01 학위논문

하이브리드 분석을 통한 머신러닝 기반의 랜섬웨어 탐지 모델

김지원 , 지선학 , 김성열 보안공학연구논문지 2017.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근에 주목 받고 있는 랜섬웨어는 임의의 불특정다수 공격부터 특정 대상 공격(Target Attack)까지 다양한 양상으로 진화하고 있으며, 랜섬웨어가 수익이 되는 사업형 서비스인 RaaS(Ransomware as a service)모델로 발전하면서 새로운 랜섬웨어 신/변종도 증가하고 있다.

본 논문에서는 날로 증가하는 신/변종 랜섬웨어를 탐지하기 위한 방법으로 기계학습 기반의 탐지 모델을 제시하려 한다.
바이너리 실행 파일에서 소스코드 정보를 가지고 있는 .text 섹션을 어셈블리어로 변환한 후 행위기반의 명령어 코드인 Opcode 추출을 위한 정적 분석 방법과 가상환경에서 동작시켜 디버깅을 통한 후킹 기법을 통해 실제 호출하는 API 추출 및 Filesystem Activity 이벤트 추출을 위한 동적 분석 방법을 함께 적용시킨 하이브리드(Hybrid)분석 방법을 데이터 셋(Dataset Creation)으로 한다.

Opcode는 빈도수로부터 기계학습 알고리즘인 k-means Clustering 기법을 적용하였으며, 빈도수 분석을 통하여 의심스런 특정 API를 필터링 하였고, Filesystem Activity의 로그 모니터링을 통하여 4가지 동작의 분류로 필터링 하였다.
최종적으로 Opcode 정보, API 정보, Filesystem Activity 정보를 독립변수로 사용하고, 랜섬웨어 판별을 종속변수로 사용하는 로지스틱 회귀분석(Logistic Regression Analysis) 기법을 적용하여 랜섬웨어를 대상으로한 탐지모델을 제안한다.

#랜섬웨어 #악성코드 #기계학습 #로지스틱 회귀분석 #K-평균 클러스터링 #하이브리드 분석

제1장 서론 1
제1절 연구 배경 및 목표 1
제2절 논문 구성 3
제2장 관련 연구 4
제1절 랜섬웨어 정의 및 특징 분석 4
제2절 악성코드 분석 방법 6
제3절 기계학습(Machine Learning) 알고리즘 8
제3장 랜섬웨어 탐지 모델 제안 13
제1절 제안 모델 개요 13
제2절 모델 설계 15
제3절 빈도 분석을 통한 데이터 셋(Dataset Creation) 17
1. Opcode 추출 17
2. API 추출 18
3. Filesystem Activity 추출 21
제4절 필터링(Pre-Filtering) 23
1. Opcode 필터링 23
2. API 필터링 24
2. Filesystem Activity 필터링 26
제5절 모델링(Modeling) 28
제4장 제안 모델 분석 30
제1절 분석방법 별 탐지율 비교 30
제2절 K-means Clustering 정확도 분석 32
제3절 다른 기계학습 알고리즘과 비교 34
1. 기계학습 알고리즘 별 탐지율 비교 분석 34
2. 기계학습 알고리즘 별 생성 시간 35
제4절 제안 모델 탐지율 분석 37
1. 학습 데이터 별 탐지율 비교 37
2. API 필터링 별 탐지율 비교 38
제5절 모델 평가 40
제5장 결론 및 향후 연구 방향 42
참고문헌 44
국문초록 48

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)