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
Espoir K. Kamundala (대구대학교) Chang Hoon Kim (대구대학교)
저널정보
Korean Institute of Information Scientists and Engineers 정보과학회 컴퓨팅의 실제 논문지 정보과학회 컴퓨팅의 실제 논문지 제24권 제5호
발행연도
2018.5
수록면
256 - 261 (6page)
DOI
10.5626/KTCP.2018.24.5.256

이용수

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

초록· 키워드

오류제보하기
인터넷에 발생하는 악성코드는 매우 심각한 위협 요소이며, 악성코드를 이용한 공격이 전 세계적으로 전파되며 심지어 점점 더 지능적으로 변조되고 있다. 그러므로 악성코드를 정확하게 탐지 하는 방법이 중요하다. 지금까지 널리 알려진 악성코드 대응방법은 악성코드를 탐지하여 삭제하거나 혹은 치료한다고 알고 있다. 이러한 악성코드를 탐지하기 위하여 악성코드에 따른 분류를 하여야 한다. 악성코드를 잘 분류하는 것은 알려진 악성코드를 더 잘 탐지할 수 있다는 것과 같다. 기존 연구들을 보면 같은 카테고리에 속하는 악성코드는 치료방법이 비슷하게 보이는 경향이 있다는 것을 입증한다. 그리고 많은 새로운 악성코드들이 기존에 있던 악성코드로부터 만들어진다는 것을 증명한다. 따라서 악성코드를 종류에 따라서 분류하는 것은 탐지하는 것 못지않게 아주 중요한 작업이다. 그러므로 멀웨어 분류 기술이 절실히 요구된다. 본 논문에서는 주어진 종류에 따라 악성코드를 분류하기 위한 컨볼루션 인공신경망 모델을 구축한다. 이 모델은 9,500 개의 악성코드 데이터 셋을 25 개의 종류로 분류하는 실험에서 98%의 정확도를 보인다. 본 연구의 목적은 다음 목표로 더 많은 양의 악성코드 파일에 적용되며 더 높은 정확도를 보이는 것이다.
#악성코드 #악성코드분류 #CNN #머신러닝 #malware #malware classification #convolutional neural network #machine learning

목차

요약
Abstract
1. Introduction
2. Related Work
3. Proposed Model
4. Dataset and Experimental Result
5. Conclusion
References

참고문헌 (13)

참고문헌 신청
L. Nataraj, S. Karthikeyan, G. Jacob, B. S. Manjunath, ‘Malware Images: Visualization and Automatic Classification’, International Symposium on Visualization for Cyber Security 2011. [Online] Available: https://www.internetlivestats.com/ internet-users/ McAfee Labs Threats Report, June 2017 https://www. mcafee.com/us/resources/reports/rp-quarterly-threatsjun- 2017.pdf Jeffrey O. Kephart, A biologically inspired immune system for computers, Artificial Life IV: Proc. of the Fourth International Workshop onthe Synthesis and Simulation of Living Systems, pp. 130-139, MIT Press, 1994. J. Zico Kolter, Marcus A. Maloof, Learning to Detect and Classify Malicious Executables in the Wild, Journal of Machine Learning Research 7, 2721-2744, 2006.

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

Deep Learning을 활용한 악성코드 탐지 방법 동향 분석
이윤선 ,  이재웅 ,  장래영 외 3명 Proceedings of KIIT Conference 2018 .06
바이너리 시각화와 기계학습을 이용한 악성코드 분류
김태근 ,  지환태 ,  임을규 정보과학회 컴퓨팅의 실제 논문지 2018 .04
딥러닝 기반의 R-CNN을 이용한 악성코드 탐지 기법
조영복 디지털콘텐츠학회논문지 2018 .06
악성코드로부터 빅데이터를 보호하기 위한 이미지 기반의 인공지능 딥러닝 기법
김혜정 ,  윤은준 전자공학회논문지 2017 .02
하이브리드 특징 및 기계학습을 활용한 효율적인 악성코드 분류 시스템 개발 연구
유정빈 ,  오상진 ,  박래현 외 1명 정보보호학회논문지 2018 .10

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2018-569-002038114