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.
CNN 기반 모바일 앱 악성 행위 패턴 탐지 기법 Malicious Behavior Pattern Detection Scheme for Mobile Application based on CNN
논문 기본 정보
- 저자정보
- 지도교수
- 이정현
- 발행연도
- 2020
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용 16
CNN 기반 모바일 앱 악성 행위 패턴 탐지 기법
초록·키워드
5G가 상용화되고 IoT시대에 접어들면서 기기들 간의 초연결이 이루어지고 각 기기에 장착된 센서들로부터 수집되는 데이터를 기반으로 사용자 중심 서비스가 자동적으로 제공되는 시대를 살고 있다. 이러한 사용자 중심 서비스에서 개인 정보가 집중되어 있는 모바일 기기는 매우 중요한 역할을 담당하게 된다. 이러한 모바일 기기에서 동작하는 애플리케이션이 보안 취약점으로 인해 악성 코드에 노출되게 될 경우, 해당 기기에 연결된 적게는 수억 개에서 많게는 수백억 개의 기기에 악성 코드가 순식간에 전파되게 될 것이다. 그러므로 초연결 시대에는 악성 행위가 발생한 후 코드 분석을 통해 격리시키는 사후 대응 방식으로는 실효성 있는 보안 대책을 마련할 수 없게 된다.
따라서, 대용량 악성코드들의 행위들을 학습한 후에 새로운 악성 행위를 예측하여 사전에 이를 탐지하고 예방하는 기술이 필요하다. 그러므로, 본 논문에서는 악성 앱들의 빅데이터셋으로부터 API를 텍스트 추출하고, CNN을 활용하여 악성 앱의 실제 동작을 담고 있는 API Call Graph를 텍스트 마이닝하여 악성 유무를 판정하는 기법을 제안한다. 또한, 제안 기법에서는 학습할 때에 주어지는 가중치를 활용하여 보다 정확하고 빠르게 feature를 선택할 수 있게 된다.
아울러, 제안 기법을 구현하여 Google Play Store와 VirusShare로부터 일반 및 악성 앱 샘플들을 확보하여 훈련 데이터를 구축하여 실험한 결과를 통해 제안 기법의 우수성과 실용 가능성이 높음을 제시한다.
따라서, 대용량 악성코드들의 행위들을 학습한 후에 새로운 악성 행위를 예측하여 사전에 이를 탐지하고 예방하는 기술이 필요하다. 그러므로, 본 논문에서는 악성 앱들의 빅데이터셋으로부터 API를 텍스트 추출하고, CNN을 활용하여 악성 앱의 실제 동작을 담고 있는 API Call Graph를 텍스트 마이닝하여 악성 유무를 판정하는 기법을 제안한다. 또한, 제안 기법에서는 학습할 때에 주어지는 가중치를 활용하여 보다 정확하고 빠르게 feature를 선택할 수 있게 된다.
아울러, 제안 기법을 구현하여 Google Play Store와 VirusShare로부터 일반 및 악성 앱 샘플들을 확보하여 훈련 데이터를 구축하여 실험한 결과를 통해 제안 기법의 우수성과 실용 가능성이 높음을 제시한다.
목차
- 제 1 장 서론 11.1 연구 배경 11.2 연구 목적 21.3 논문 구성 3제 2 장 배경 지식 42.1 Taint Analysis 42.2 CNN 52.3 CAM(Class Activation Map) 62.4 Grad CAM(Gradient-weighted Class Activation Map) 82.5 Jaccard Similarity 10제 3 장 관련 연구 113.1 API Based Schemes 113.1.1 AVIS 113.1.2 Kim’s Scheme 123.2 API Call Graph Based Scheme 123.2.1 MaMaDroid 123.3 API Feature Comparison 13제 4 장 제안 기법 154.1 Data Preprocessing 154.1.1 Taint Analyzer 164.2 Model Learning 184.2.1 Word Vectorizer 184.2.2 CNN Learner 194.2.3 Grad CAM Heat map Extractor 204.2.4 Pattern Extractor 214.3 Risk Detection 224.4 Feature Comparison 23제 5 장 실험 및 평가 255.1 실험 환경 255.2 실험 구성 설정 255.2.1 Training Dataset 255.2.2 Feature Selection 265.2.3 API Pattern 285.3 실험 결과 315.3.1 Classification time 335.3.2 Overall Accuracy 34제 6 장 결론 35참고문헌 36
최근 본 자료 전체보기
