하이브리드 특징 및 기계학습을 활용한 효율적인 악성코드 분류 시스템 개발 연구

Vol. 28, No. 5, pp. 1161-1167, 9월. 2018
10.13089/JKIISC.2018.28.5.1161, Full Text:
Keywords: Malware, Classification, Machine Learning, ssdeep
Abstract

기하급수적으로 증가하고 있는 변종 악성코드에 대응하기 위해 악성코드 분류 연구가 다양화되고 있다. 최근 연구에서는 기존 악성코드 분석 기술 (정적/동적)의 개별 사용 한계를 파악하고, 각 방식을 혼합한 하이브리드 분석으로전환하는 추세이다. 나아가, 분류가 어려운 변종 악성코드를 더욱 정확하게 식별하기 위해 기계학습을 적용하기에이르렀다. 하지만, 각 방식을 모두 활용했을 때 발생하는 정확성, 확장성 트레이드오프 문제는 여전히 해결되지 못했으며, 학계에서 중요한 연구 주제이다. 이에 따라, 본 연구에서는 기존 악성코드 분류 연구들의 문제점을 보완하기위해 새로운 악성코드 분류 시스템을 연구 및 개발한다.

Statistics
Show / Hide Statistics

Statistics (Cumulative Counts from December 1st, 2017)
Multiple requests among the same browser session are counted as one view.
If you mouse over a chart, the values of data points will be shown.


Cite this article
[IEEE Style]
유정빈, 오상진, 박래현 and 권태경, "Development Research of An Efficient Malware Classification System Using Hybrid Features And Machine Learning," Journal of The Korea Institute of Information Security and Cryptology, vol. 28, no. 5, pp. 1161-1167, 2018. DOI: 10.13089/JKIISC.2018.28.5.1161.

[ACM Style]
유정빈, 오상진, 박래현, and 권태경. 2018. Development Research of An Efficient Malware Classification System Using Hybrid Features And Machine Learning. Journal of The Korea Institute of Information Security and Cryptology, 28, 5, (2018), 1161-1167. DOI: 10.13089/JKIISC.2018.28.5.1161.