메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김태근 (한양대학교) 지환태 (한양대학교) 임을규 (한양대학교)
저널정보
Korean Institute of Information Scientists and Engineers 정보과학회 컴퓨팅의 실제 논문지 정보과학회 컴퓨팅의 실제 논문지 제24권 제4호
발행연도
2018.4
수록면
198 - 203 (6page)
DOI
10.5626/KTCP.2018.24.4.198

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
악성코드 제작 시, 기존 코드의 재사용, 악성코드 제작 도구의 발전 등의 이유로 인해, 악성코드 변종의 수가 빠르게 증가하고 있다. 따라서 악성코드의 변종을 정확하고 신속하게 분류하는 것이 중요해지고 있다. 기존의 악성코드 분류는 바이너리 파일 내 특정 바이트 순열 포함 여부를 이용하였으나 이러한 시그니처 기반 악성코드 분류는 변종 악성코드를 분류하는 데 어려움이 있다. 본 논문은 악성코드 변종을 보다 높은 정확도로 분류하기 위한 이미지 기반 악성코드 분류 방법을 제안한다. 악성코드 분류를 위해, 악성코드 바이너리로부터 고정된 크기의 이미지를 생성한다. 바이너리의 각 바이트의 값을 좌표로 이용하며, 2 바이트 데이터를 〈x, y〉 좌표로 대응시켜, 이미지에서 각 좌표에 해당되는 픽셀의 값을 증가 시킨다. 이러한 방식으로 생성된 이미지 특징정보를 기계학습에 활용한다. 악성코드 분류에 사용된 기계학습 알고리즘은 random forest와 convolutional neural network이며, 각각의 분류 기법을 10868개의 악성코드 샘플에 실험한 결과, 각각 98.9%, 97.1%의 높은 정확도로 악성코드를 분류하였다.
#컴퓨터 보안 #악성코드 분류 #특징정보 추출 #기계학습 #computer security #malware classification #feature extraction #machine learning

목차

요약
Abstract
1. 서론
2. 관련 연구
3. 이미지 생성
4. 실험 데이터 선정
5. 실험 방식
6. 실험 결과
7. 결론 및 향후 연구
References

참고문헌 (8)

참고문헌 신청
Symantec, Internet Security Threat Report, 2016. [Online]. Available: https://www.symantec.com/content /dam/symantec/docs/reports/istr-21-2016-en.pdf (downloaded 2017. May. 27) SonicWall, Annual Threat Report, 2017. [Online]. Available: https://www.sonicwall.com/en-us/lp/2017- sonicwall-annual-threat-report (downloaded 2017. May. 27) K. Han, J. Lim, and E.G. Im, Malware analysis method using visualization of binary files, Proc. of the 2013 Research in Adaptive and Convergent Systems, pp. 317-321, 2013. (in English) S. Seok and H. Kim, Visualized Malware Classification Based-on Convolutional Neural Network, Journal of The Korea Institute of Information Security & Cryptology, Vol. 26, No. 1, pp. 197-208, Feb. 2016. (in English) L. Nataraj, S. Karthikeyan, G. Jacob, and B. S. Manjunath, Malware images: visualization and automatic classification, Proc. of the 8th international symposium on visualization for cyber security, pp. 1-7, 2011. (in English)

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

CNN Model to Classify Malware Using Image Feature
Espoi ,  K. Kamundala ,  Chang Hoon Kim 정보과학회 컴퓨팅의 실제 논문지 2018 .05
Deep Learning을 활용한 악성코드 탐지 방법 동향 분석
이윤선 ,  이재웅 ,  장래영 외 3명 Proceedings of KIIT Conference 2018 .06
악성코드로부터 빅데이터를 보호하기 위한 이미지 기반의 인공지능 딥러닝 기법
김혜정 ,  윤은준 전자공학회논문지 2017 .02
Convolutional Neural Network 기반의 악성코드 이미지화를 통한 패밀리 분류
석선희 ,  김호원 정보보호학회논문지 2016 .02
행위 그래프 기반의 변종 악성코드 탐지
권종훈 ,  이제현 ,  정현철 외 1명 정보보호학회논문지 2011 .04

최근 본 자료

전체보기

댓글(0)

0