[논문리뷰] DL-FHMC: Deep Learning-Based Fine-Grained Hierarchical Learning Approach for Robust Malware Classification

안녕하세요! 인공지능 공부한지 한달되었습니다. 

이 블로그는 공부 목적으로 쓰여졌습니다. 틀린부분있다면 댓글을 통해 좋은 말 부탁드립니다!

Introduction

최근 10년동안 IoT는 급속히 성장하고 있습니다. Ericsson Mobility Report에 따르면, 2023년까지 35억개의 IoT 기기가 셀룰러 네트워크를 통해 연결될 것으로 예상된다고 합니다. 연결성과 접근성 증가는 IoT의 유용성을 극대화하지만, 동시에 보안 위협도 증가하게 됩니다. 특히, IoT 기기의 제한된 자원으로 인해 효과적인 보호 기능을 구현하기가 어려워졌습니다. 이러한 기기는 물리적 접근성이 낮고, 많은 경우엔 보안 정책이 제대로 적용되지 않아 DDoS 공격과 같은 악성 행위의 표적이 되기 쉽습니다. 

 

기존 악성코드 분석 방법과 한계:

static analysis와 dynamic analysis를 사용해 악성코드를 탐지하고 분석하는 접근 방식을 사용해왔습니다. 최근에는 머신러닝, 딥러닝 기술이 IoT악성코드 탐지에 활용되고 있지만, 다음과 같은 문제점이 존재합니다.

• 적은 데이터 기반으로 데이터의 크기와 다양성이 제한적이다.
• Control Flow Graph(CFG) 분석은 Adversarial Attack에 취약하다.

Adversarial Attack은 데이터를 조작하고 잘못된 분류를 유도합니다. 하나의 예로, 입력데이터에 작은 노이즈를 추가하여 악성코드를 정상 코드로 잘못 분류하게 만드는 것을 생각할 수 있습니다.

 

한계점 극복 방법 제안:

따라서 이런 문제를 해결하기 위해 본 논문에서는 DL-FHMC(Deep Learning-Based Fine-Grained Hierachical Learning for Malware Classification)을 제안하였습니다. 이것은 CFG 기반의 세밀한 계층적 학습을 통해 IoT 악성코드를 탐지하고 분류하는 모델입니다. 대표적으로 Adversarial Examples(AE)를 포함한 적대적 공격에서도 높은 정확도를 보여줍니다. 세개의 IoT malicious families에서 공통적인 행동 패턴을 추출하고, 식별합니다.

Preliminaries

 

Malware Analysis

 

Graph Analysis

 

 

Threat Model

Graph Embedding and Augmentation

 

 

Sub-GEA(SGEA)

 

DATA Representation & Learning

Dataset

 

Data Representation

 

Learning Algorithms

 

Experimental Setup

 

DL-SSMC : Design and Evaluation

DL-SSMC : System Design

 

DL-SSMC : Evaluation and Results

DL-SSMC : Baseline Performance

 

DL-SSMC : Robustness Assessment Against GEA

 

DL-SSMC : Robustness Assessment Against SGEA

 

DL-FHMC : Coping with AEs

DL-FHMC : System Design

 

Suspicious Behavior Detector

 

 

DL-FHMC : Evaluation and Results

 

Discussion

 

 

 

Related Work

 

 

 

Conclusion

 

 

 

---

출처 : A. Abusnaina et al., "DL-FHMC: Deep Learning-Based Fine-Grained Hierarchical Learning Approach for Robust Malware Classification," in IEEE Transactions on Dependable and Secure Computing, vol. 19, no. 5, pp. 3432-3447, 1 Sept.-Oct. 2022, doi: 10.1109/TDSC.2021.3097296.
keywords: {Malware;Deep learning;Static analysis;Robustness;Machine learning;Internet of Things;Machine learning algorithms;Adversarial machine learning;deep learning;Internet of Things;malware detection;adversarial attacks},