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
이현종 (케이사인) 어성율 (단국대학교) 황두성 (단국대학교)
저널정보
한국정보보호학회 정보보호학회논문지 정보보호학회논문지 제29권 제3호
발행연도
2019.6
수록면
531 - 539 (9page)

이용수

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

이 논문의 연구 히스토리 (2)

2019

악성코드 패밀리 분류를 위한 API 특징 기반 앙상블 모델 학습
이현종 ,  어성율 ,  황두성 정보보호학회논문지 2019.06 학술저널
악성코드 탐지를 위한 특징 추출 가속화와 트리 기반 앙상블 모델 학습
이현종 컴퓨터학과 2019.01 학위논문

초록· 키워드

오류제보하기
본 논문에서는 악성코드 패밀리 분류를 위한 훈련 데이터의 특징을 제안하고, 앙상블 모델을 이용한 다중 분류 성능을 분석한다. 악성코드 실행 파일로부터 API와 DLL 데이터를 추출하여 훈련 데이터를 구성하며, 의사 결정 트리기반 Random Forest와 XGBoost 알고리즘으로 모델을 학습한다. 악성코드에서 빈번히 사용되는 API와 DLL 정보를 분석하며, 고차원의 훈련 데이터 특징을 저차원의 특징 표현으로 변환시켜, 악성코드 탐지와 패밀리 분류를 위한 API, API-DLL, DLL-CM 특징을 제안한다. 제안된 특징 선택 방법은 데이터 차원 축소와 빠른 학습의 장점을 제공한다. 성능 비교에서 악성코드 탐지율은 Random Forest가 93.0%, 악성코드 패밀리 분류 정확도는 XGBoost가 92.0%, 그리고 정상코드를 포함하는 테스트 오탐률은 Random Forest와 XGBoost가 3.5%이다.
#Malware Detection #Malware Classification #Feature Selection #Tree-based Ensemble

목차

요약
ABSTRACT
I. 서론
Ⅱ. 관련연구
Ⅲ. 제안 방법
Ⅳ. 실험 및 토의
Ⅴ. 결론
References

참고문헌 (20)

참고문헌 신청
Symantec, Symantec internet security threat report, ISTR-23-2018, Symantec, 2018. google schola P. Vinod, R. Jaipur, V. Laxmi and M. Gaur, Survey on malware detection methods, Proceedings of the 3rd Hacker's workshop on computer and internet security, pp. 74-79, Mar. 2009. google schola N. Idika, and A.P. Mathur, A survey of malware detection techniques, Purdue University, Feb. 2007. google schola A. Patcha and J.M Park, An overview of anomaly detection techniques : Existing solutions and latest technological trends, Computer networks, vol. 51, no. 12, pp. 3448-3470, Aug. 2007. google schola K. Rieck, T. Holz, C. Willems, P. Dussel and P. Laskov, Learning and classification of malware behavior, Proceeding of the International Conference on Detection of Intrusions and Malware, and Vulnerability Assessment, pp. 108-125, 2008. google schola

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

PDF 문서형 악성코드 탐지를 위한 효율적인 전처리 아키텍처 설계
신강식 ,  조호묵 한국정보과학회 학술발표논문집 2021 .12
API Call 정보 기반의 안드로이드 악성코드 분류를 위한 특성 집합 추출
황희진 ,  이수진 한국컴퓨터정보학회논문지 2021 .11
바이너리 시각화와 기계학습을 이용한 악성코드 분류
김태근 ,  지환태 ,  임을규 정보과학회 컴퓨팅의 실제 논문지 2018 .04
모바일 악성앱 탐지를 위한 기계학습 알고리즘 연구
오성택 ,  고웅 ,  박준형 한국정보과학회 학술발표논문집 2017 .12
모바일 게임에서 악성 프로그램 탐지에 관한 연구
김효남 한국컴퓨터정보학회 학술발표논문집 2018 .01

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2019-004-000879900