Windows PE 맬웨어 탐지를 위한 효율적인 시계열 기반 딥러닝 모델

Abstract

IT 기술의 발전으로 컴퓨터 시스템을 악의적으로 이용하려는 사이버 공격이 증가하고 있다. 악성코드는 네트워크, 컴퓨터 운영 체제 및 파일 등에 피해를 주는 사이버 공격이다. Window OS의 사이버 위협 또한 증가하고 있어 Windows PE 맬웨어 벤치마크 데이터 셋인 EMBER를 사용하여 지도 기반 딥러닝 모델을 적용한 악성코드 탐지 모델을 개발하였다. 제안된 탐지 모델은 선행연구를 기반으로 데이터 셋을 전처리 하였고 지도학습 기반 알고리즘을 이용하여 악성코드 탐지 모델을 Bi-LSTM, GRU, Conv1D, Conv1D+GRU로 구현하였다. 발전하는 새로운 악성코드의 탐지율을 높이기 위해 신생 데이터를 신속하게 발견하여 인공지능을 통한 학습 과정이 필수적이다. 본 실험에서는 학습 시간이 적게 소요된 모델과 높은 악성코드 탐지율을 기준으로 성능지표를 비교하였다. 구현한 모델 중 Conv1D가 모든 성능지표에서 높은 수치를 보였고, 학습 시간이 가장 적게 소요되어 악성코드 탐지에 높은 효율을 보이는 것을 확인하였다.