본 연구에서는 악성코드 파일을 이미지화하고 EfficientNet을 이용하여 악성코드 이미지 유형 분류를 할 수 있는 방안을 제안하고자 한다. 기존의 다양한 악성코드 파일을 분류 하기 위해 분류 알고리즘의 성능을 높이는 방법에 의존하거나 동적 분석(Dynamic Analysis)으로 가상환경(Virtual Environments)에서 악성코드를 실행하여 행위 패턴을 분석하는 방법 또는 시그니처(Signature)기반으로 바이러스 샘플을 수집하여 데이터베이스 추가하는 방식을 주로 사용하였으나, 알고리즘 정확도에 크게 의존되는 경향과 작업의 복잡성이 증가하며 제한적 요소가 발생하였다. 기계학습 모델을 접목하여 악성코드 파일을 Grayscale 이미지로 표현하여 시각화된 이미지 데이터 활용으로 학습 및 분석을 통해 특정 패턴을 찾아 정교한 예측모델로 기존 한계를 다루며, 악성코드 분류에 유용하고 효율적인 방안을 제안하며 EfficientNet을 통한 악성코드 분류 방안을 검증하고자 한다.
