KR20210059991A - IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치 - Google Patents

IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치 Download PDF

Info

Publication number
KR20210059991A
KR20210059991A KR1020190147480A KR20190147480A KR20210059991A KR 20210059991 A KR20210059991 A KR 20210059991A KR 1020190147480 A KR1020190147480 A KR 1020190147480A KR 20190147480 A KR20190147480 A KR 20190147480A KR 20210059991 A KR20210059991 A KR 20210059991A
Authority
KR
South Korea
Prior art keywords
malicious code
feature vector
data set
system call
call function
Prior art date
Application number
KR1020190147480A
Other languages
English (en)
Inventor
이기영
Original Assignee
쿤텍 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 쿤텍 주식회사 filed Critical 쿤텍 주식회사
Priority to KR1020190147480A priority Critical patent/KR20210059991A/ko
Publication of KR20210059991A publication Critical patent/KR20210059991A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Virology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치가 개시된다. 본 발명의 일 실시예에 따른 IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치는 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 악성코드에 대한 동적 분석(Dynamic Analysis)를 수행하여 악성코드의 행위정보를 수집하는 단계; 상기 수집된 악성코드의 행위정보를 기반으로 특징 벡터를 생성하는 단계; 상기 생성된 특징 벡터에 대해 필터링 처리를 수행하여 데이터 세트를 생성하는 단계; 상기 생성된 데이터 세트를 이용하여 악성코드를 분석하기 위한 분류모델을 학습하는 단계; 및 상기 학습된 분류모델을 이용하여 악성코드를 탐지하는 단계를 포함한다.

Description

IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치{METHOD FOR IoT ANALYZING MALICIOUS BEHAVIOR AND COMPUTING DEVICE FOR EXECUTING THE METHOD}
본 발명의 실시예들은 IoT 악성행위 분석 기술과 관련된다.
최근, 정보통신 기술의 비약적인 발전에 따라 IoT(Internet of Things) 기술에 대한 관심 및 수요가 급격히 증가하고 있는 추세이다. IoT는 인터넷을 기반으로 다양한 사물들에게까지 네트워크 연결을 제공함으로써 사람과 사물, 사물과 사물 간의 통신을 가능하게 하는 지능형 정보통신 기술 내지 서비스를 제공할 것으로 예측되고 있다.
일반적으로 가정용 라우터, AI 스피커, IP 카메라 등 인터넷에 연결된 임베디드 기기 즉, IoT 기기의 보급률이 증가함에 따라 이러한 인터넷에 연결된 IoT 기기들이 점점 더 악성 공격자의 타겟이 되어가고 있다. 악성 공격자는 네트워크를 통해 인터넷에 연결된 IoT 기기를 공격하고 장악에 성공한 기기들을 DDoS 공격을 위한 좀비 봇(zombie bot)으로 만들거나, 혹은 가상화폐 채굴을 위한 채굴기로도 악용한다.
하지만, 충분하지 않은 메모리 크기, 낮은 컴퓨팅 파워와 같은 IoT 기기의 특성으로 인해 x86 기반(예를 들어, windows, linux)환경으로 연구된 기존 악성코드 분석을 IoT 기기에 적용하기 어려우며, 안티바이러스와 같은 탐지 및 분석 솔루션을 IoT 기기에 설치하기에는 한계가 있다.
국내 등록특허공보 제10-0977179호 (2010.08.16.)
본 발명의 실시예들은 악성코드의 행위를 분석하여 특징 벡터(feature vector)를 생성하고, 머신러닝을 통하여 학습하여 신규 악성코드, 제로데이 공격, 랜섬웨어 등과 같은 악성코드를 탐지하기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 악성코드에 대한 동적 분석(Dynamic Analysis)를 수행하여 악성코드의 행위정보를 수집하는 단계; 상기 수집된 악성코드의 행위정보를 기반으로 특징 벡터를 생성하는 단계; 상기 생성된 특징 벡터에 대해 필터링 처리를 수행하여 데이터 세트를 생성하는 단계; 상기 생성된 데이터 세트를 이용하여 악성코드를 분석하기 위한 분류모델을 학습하는 단계; 및 상기 학습된 분류모델을 이용하여 악성코드를 탐지하는 단계를 포함하는 IoT 악성행위 분석 방법이 제공된다.
상기 악성코드의 행위정보를 수집하는 단계는 후킹(Hooking) 기술을 사용하여 상기 악성코드에서 사용하는 시스템 콜 함수 정보를 수집하는 단계를 포함하며, 상기 시스템 콜 함수 정보는, 시스템 콜 함수 명, 함수에 대한 파라미터, 및 리턴 값을 포함할 수 있다.
상기 특징 벡터를 생성하는 단계는 상기 수집된 악성코드의 행위정보를 분석하여 사용되는 각각의 시스템 콜 함수의 빈도수를 추출하여 특징 벡터를 생성하되, 상기 악성코드가 상기 시스템 콜 함수에 대하여 각각 실행한 빈도수를 기반으로 수치화하여 csv 파일 형태로 변환할 수 있다.
상기 데이터 세트를 생성하는 단계는 상기 특징 벡터에서 픽쳐 셀렉션(Feature Selection) 알고리즘을 적용하여 잉여 데이터를 삭제하여 데이터 세트를 생성하는 것으로, 상기 잉여 데이터는 상기 시스템 콜 함수에 대하여 실행한 빈도수가 0회인 데이터로 설정될 수 있다.
상기 분류모델을 학습하는 단계는 상기 데이터 세트가 입력되는 경우, 입력된 데이터 세트에서 상기 악성코드의 특징벡터를 이용하여 악성코드를 분석하도록 랜덤 포레스트(Random Forests) 또는 SVM(Support Vector Machine)을 기반으로 분류모델을 학습할 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 하나 이상의 프로세서들;메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 악성코드에 대한 동적 분석(Dynamic Analysis)를 수행하여 악성코드의 행위정보를 수집하기 위한 명령; 상기 수집된 악성코드의 행위정보를 기반으로 특징 벡터를 생성하기 위한 명령; 상기 생성된 특징 벡터에 대해 필터링 처리를 수행하여 데이터 세트를 생성하기 위한 명령; 상기 생성된 데이터 세트를 이용하여 악성코드를 분석하기 위한 분류모델을 학습하기 위한 명령; 및 상기 학습된 분류모델을 이용하여 악성코드를 탐지하기 위한 명령을 포함하는 컴퓨팅 장치가 제공된다.
상기 악성코드의 행위정보를 수집하기 위한 명령은 후킹(Hooking) 기술을 사용하여 상기 악성코드에서 사용하는 시스템 콜 함수 정보를 수집하기 위한 명령을 포함하며, 상기 시스템 콜 함수 정보는, 시스템 콜 함수 명, 함수에 대한 파라미터, 및 리턴 값을 포함할 수 있다.
상기 특징 벡터를 생성하기 위한 명령은 상기 수집된 악성코드의 행위정보를 분석하여 사용되는 각각의 시스템 콜 함수의 빈도수를 추출하여 특징 벡터를 생성하되, 상기 악성코드가 상기 시스템 콜 함수에 대하여 각각 실행한 빈도수를 기반으로 수치화하여 csv 파일 형태로 변환할 수 있다.
상기 데이터 세트를 생성하기 위한 명령은 상기 특징 벡터에서 픽쳐 셀렉션(Feature Selection) 알고리즘을 적용하여 잉여 데이터를 삭제하여 데이터 세트를 생성하는 것으로, 상기 잉여 데이터는 상기 시스템 콜 함수에 대하여 실행한 빈도수가 0회인 데이터로 설정될 수 있다.
상기 분류모델을 학습하기 위한 명령은 상기 데이터 세트가 입력되는 경우, 입력된 데이터 세트에서 상기 악성코드의 특징벡터를 이용하여 악성코드를 분석하도록 랜덤 포레스트(Random Forests) 또는 SVM(Support Vector Machine)을 기반으로 분류모델을 학습할 수 있다.
본 발명의 실시예들에 따르면, 악성코드의 행위를 분석하여 특징 벡터(feature vector)를 생성하고, 머신러닝을 통하여 학습함으로써, 신규 악성코드, 제로데이 공격, 랜섬웨어 등과 같은 악성코드를 탐지할 수 있다.
또한, 본 발명의 실시예들에 따르면, 시스템 콜 함수 정보를 추출하여 악성 코드를 탐지함으로써, 다양한 성능을 가지는 IoT 기기에서 탐지가 가능하여 IoT 기기에 통용되어 적용될 수 있다.
도 1은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 IoT 악성행위 분석 방법을 설명하기 위한 흐름도
도 3은 본 발명의 일 실시예에 따른 IoT 악성행위 분석 방법에서 악성코드의 행위정보를 추출하는 과정을 나타낸 도면
도 4는 본 발명의 일 실시예에 따른 IoT 악성행위 분석 방법에서 악성코드의 특징벡터를 생성하는 과정을 나타낸 도면
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
도 1은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 본 발명의 실시예에 따른 IoT 악성행위 분석을 수행하기 위한 장치일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 IoT 악성행위 분석 방법을 설명하기 위한 흐름도이다. 전술한 바와 같이, 본 발명의 일 실시예에 따른 IoT 악성행위 분석 방법은 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치(12)에서 수행될 수 있다. 이를 위하여, 상기 IoT 악성행위 분석 방법은 하나 이상의 컴퓨터 실행 가능 명령어를 포함하는 프로그램 내지 소프트웨어의 형태로 구현되어 상기 메모리상에 저장될 수 있다.
또한, 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
단계 202에서, 컴퓨팅 장치(12)는 악성코드를 실행하여 동적분석을 수행하고, 악성코드의 행위정보를 수집할 수 있다. 구체적으로, 컴퓨팅 장치(12)는 악성코드를 IoT 기기 또는 IoT 기기 환경과 동일하게 구성된 에뮬레이터나 가상화 환경(샌드박스; Sandbox)에서 실행하고, 악성코드가 실행된 후에 발생하는 모든 변화, 즉 행위 정보를 수집할 수 있다. 여기서, 행위 정보는 시스템 내의 후킹 기술을 사용하여 악성코드 내에서 사용하는 시스템 콜 함수 정보(시스템 콜 함수 명, 함수에 대한 파라미터, 및 리턴 값)를 포함할 수 있다. 일반적으로 가장 흔한 IoT 기기의 대상 공격은 봇넷인데, 봇넷은 IoT 기기의 취약점을 이용하여 내부로 침투한 다음 봇넷을 다운로드한 후 봇넷을 실행시킨다. 이에 실행관련 시스템 콜을 추적하여 데이터를 수집한다. 예를 들어, 도 3과 같이 컴퓨팅 장치(12)는 IoT 기기 환경과 동일하게 구성된 가상화 환경(샌드박스)에서 실행되는 악성코드의 행위 정보, 즉 시스템 콜 함수 정보를 수집할 수 있다. 악성코드의 또한, 컴퓨팅 장치(12)는 수집된 악성코드의 행위정보를 json 파일 형태로 저장할 수 있다.
단계 204에서, 컴퓨팅 장치(12)는 수집된 악성코드의 행위정보를 기반으로 특징 벡터를 생성할 수 있다. 구체적으로, 컴퓨팅 장치(12)는 수집된 악성코드의 행위정보를 분석하여 사용되는 각각의 시스템 콜 함수의 빈도수를 추출하여 특징 벡터를 생성할 수 있다. 또한, 컴퓨팅 장치(12)는 특징 벡터를 수치화하여 csv 파일 형태로 변환할 수 있다. 예를 들어, 도 4와 같이, 컴퓨팅 장치(12)는 json 파일 형태로 저장된 행위 정보를 기반으로 특징 벡터를 생성하고, 특징 벡터를 수치화하여 csv 파일 형태로 변환할 수 있다. 특징 벡터를 수치화하는 방법으로는 예를 들어, 컴퓨팅 장치(12)는 악성코드가 각각의 함수에 대하여 실행한 빈도수를 추출하여 특징 벡터를 수치화할 수 있다.
단계 206에서, 컴퓨팅 장치(12)는 수치화된 특징 벡터에 대해 필터링(filtering) 처리를 수행하여 데이터 세트를 생성할 수 있다. 예를 들어, 수치화된 특징 벡터에서 잉여 데이터(예를 들어, 실행한 빈도수가 0 회인 함수)를 삭제하여 데이터 세트를 생성할 수 있다. 필터링 처리 기법으로는 픽쳐 셀렉션(Feature Selection) 알고리즘을 적용할 수 있으나, 이에 한정되는 것은 아니다. 여기서, 픽쳐 셀렉션 알고리즘이란 분류 정확도를 향상시키기 위해 원본 데이터가 주어졌을 경우 가장 좋은 성능을 보여줄 수 있는 데이터의 부분집합(subset)을 원본 데이터에서 찾아내는 방법으로 분류기의 분류 목적에 가장 밀접하게 연관되어 있는 특징들 만을 추출하여 새로운 데이터를 만들어내는 방법이다. 즉, 픽쳐 셀렉션 알고리즘의 수행 결과로 특징 벡터에 필터링(잉여 데이터 삭제)을 적용하여 데이터 세트를 생성함으로써, 데이터의 크기를 줄여 계산 속도를 향상시킬 수 있다.
단계 208에서, 컴퓨팅 장치(12)는 생성된 데이터 세트를 이용하여 악성코드를 분석하기 위한 분류모델을 학습할 수 있다. 이 경우, 컴퓨팅 장치(12)는 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법인 인공신경망 딥러닝(Deep Learnig)이 적용될 수 있다.
예시적인 실시예에서, 컴퓨팅 장치(12)는 생성된 데이터 세트를 랜덤 포레스트(Random Forests)를 기반으로 딥러닝(Deep Learning)을 수행하여 제1 분류모델을 학습할 수 있다. 랜덤 포레스트는 다수의 이진 트리를 통한 투표 결정 방법이다. 즉, 제1 분류모델은 학습 과정에서 구성한 다수의 결정 트리(Decision Tree)로부터 결정 트리 전반에 걸친 평균을 구해 판단하는 것으로, 생성된 데이터 세트에서 악성코드의 특징벡터를 이용하여 다수의 결정 트리로부터 악성 코드인지 정상 코드인지 분석하여 출력하도록 학습할 수 있다.
다른 예시적인 실시예에서, 컴퓨팅 장치(12)는 생성된 데이터 세트를 SVM(Support Vector Machine)을 기반으로 딥러닝(Deep Learning)을 수행하여 제2 분류모델을 학습할 수 있다. SVM은 두 카테고리 중 어느 하나의 카테고리에 속하도록 경계선을 형성하는 이진 분류 방법이다. 즉, 제2 분류모델은 학습 과정에서 형성한 경계로부터 두 카테고리 중 하나의 카테고리에 속하는지 판단하는 것으로, 생성된 데이터 세트에서 악성코드의 특징벡터를 이용하여 경계로부터 악성코드 카테고리에 포함되는지 분석하여 출력하도록 학습할 수 있다.
단계 210에서, 컴퓨팅 장치(12)는 분류모델을 이용하여 악성코드를 탐지할 수 있다. 구체적으로, 컴퓨팅 장치(12)는 IoT 기기에서 실행되는 데이터의 행위 정보를 수집하여 분류모델로부터 해당 데이터에 악성코드가 존재하는지 탐지할 수 있다.
따라서, 본 발명의 실시예들에 따른 IoT 악성행위 분석 방법은 악성코드의 행위를 분석하여 특징 벡터(feature vector)를 생성하고, 머신러닝을 통하여 학습함으로써, 신규 악성코드, 제로데이 공격, 랜섬웨어 등과 같은 악성코드를 탐지할 수 있다.
또한, 본 발명의 실시예들에 따른 IoT 악성행위 분석 방법은 시스템 콜 함수 정보를 추출하여 악성 코드를 탐지함으로써, 다양한 성능을 가지는 IoT 기기에서 탐지가 가능하여 IoT 기기에 통용되어 적용될 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
10 : 컴퓨팅 환경
12 : 컴퓨팅 장치
14 : 프로세서
16 : 컴퓨터 판독 가능 저장 매체
18 : 통신 버스
20 : 프로그램
22 : 입출력 인터페이스
24 : 입출력 장치
26 : 네트워크 통신 인터페이스

Claims (10)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    악성코드에 대한 동적 분석(Dynamic Analysis)를 수행하여 악성코드의 행위정보를 수집하는 단계;
    상기 수집된 악성코드의 행위정보를 기반으로 특징 벡터를 생성하는 단계;
    상기 생성된 특징 벡터에 대해 필터링 처리를 수행하여 데이터 세트를 생성하는 단계;
    상기 생성된 데이터 세트를 이용하여 악성코드를 분석하기 위한 분류모델을 학습하는 단계;및
    상기 학습된 분류모델을 이용하여 악성코드를 탐지하는 단계를 포함하는, IoT 악성행위 분석 방법.
  2. 청구항 1에 있어서,
    상기 악성코드의 행위정보를 수집하는 단계는,
    후킹(Hooking) 기술을 사용하여 상기 악성코드에서 사용하는 시스템 콜 함수 정보를 수집하는 단계를 포함하며,
    상기 시스템 콜 함수 정보는, 시스템 콜 함수 명, 함수에 대한 파라미터, 및 리턴 값을 포함하는, IoT 악성행위 분석 방법.
  3. 청구항 2에 있어서,
    상기 특징 벡터를 생성하는 단계는,
    상기 수집된 악성코드의 행위정보를 분석하여 사용되는 각각의 시스템 콜 함수의 빈도수를 추출하여 특징 벡터를 생성하되, 상기 악성코드가 상기 시스템 콜 함수에 대하여 각각 실행한 빈도수를 기반으로 수치화하여 csv 파일 형태로 변환하는, IoT 악성행위 분석 방법.
  4. 청구항 3에 있어서,
    상기 데이터 세트를 생성하는 단계는,
    상기 특징 벡터에서 픽쳐 셀렉션(Feature Selection) 알고리즘을 적용하여 잉여 데이터를 삭제하여 데이터 세트를 생성하는 것으로,
    상기 잉여 데이터는, 상기 시스템 콜 함수에 대하여 실행한 빈도수가 0회인 데이터로 설정되는, IoT 악성행위 분석 방법.
  5. 청구항 1에 있어서,
    상기 분류모델을 학습하는 단계는,
    상기 데이터 세트가 입력되는 경우, 입력된 데이터 세트에서 상기 악성코드의 특징벡터를 이용하여 악성코드를 분석하도록 랜덤 포레스트(Random Forests) 또는 SVM(Support Vector Machine)을 기반으로 분류모델을 학습하는, IoT 악성행위 분석 방법.
  6. 하나 이상의 프로세서들;
    메모리; 및
    하나 이상의 프로그램들을 포함하고,
    상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,
    상기 하나 이상의 프로그램들은,
    악성코드에 대한 동적 분석(Dynamic Analysis)를 수행하여 악성코드의 행위정보를 수집하기 위한 명령;
    상기 수집된 악성코드의 행위정보를 기반으로 특징 벡터를 생성하기 위한 명령;
    상기 생성된 특징 벡터에 대해 필터링 처리를 수행하여 데이터 세트를 생성하기 위한 명령;
    상기 생성된 데이터 세트를 이용하여 악성코드를 분석하기 위한 분류모델을 학습하기 위한 명령; 및
    상기 학습된 분류모델을 이용하여 악성코드를 탐지하기 위한 명령을 포함하는, 컴퓨팅 장치.
  7. 청구항 6에 있어서,
    상기 악성코드의 행위정보를 수집하기 위한 명령은,
    후킹(Hooking) 기술을 사용하여 상기 악성코드에서 사용하는 시스템 콜 함수 정보를 수집하기 위한 명령을 포함하며,
    상기 시스템 콜 함수 정보는, 시스템 콜 함수 명, 함수에 대한 파라미터, 및 리턴 값을 포함하는, 컴퓨팅 장치.
  8. 청구항 7에 있어서,
    상기 특징 벡터를 생성하기 위한 명령은,
    상기 수집된 악성코드의 행위정보를 분석하여 사용되는 각각의 시스템 콜 함수의 빈도수를 추출하여 특징 벡터를 생성하되, 상기 악성코드가 상기 시스템 콜 함수에 대하여 각각 실행한 빈도수를 기반으로 수치화하여 csv 파일 형태로 변환하는, 컴퓨팅 장치.
  9. 청구항 8에 있어서,
    상기 데이터 세트를 생성하기 위한 명령은,
    상기 특징 벡터에서 픽쳐 셀렉션(Feature Selection) 알고리즘을 적용하여 잉여 데이터를 삭제하여 데이터 세트를 생성하는 것으로,
    상기 잉여 데이터는, 상기 시스템 콜 함수에 대하여 실행한 빈도수가 0회인 데이터로 설정되는, 컴퓨팅 장치.
  10. 청구항 6에 있어서,
    상기 분류모델을 학습하기 위한 명령은,
    상기 데이터 세트가 입력되는 경우, 입력된 데이터 세트에서 상기 악성코드의 특징벡터를 이용하여 악성코드를 분석하도록 랜덤 포레스트(Random Forests) 또는 SVM(Support Vector Machine)을 기반으로 분류모델을 학습하는, 컴퓨팅 장치.
KR1020190147480A 2019-11-18 2019-11-18 IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치 KR20210059991A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190147480A KR20210059991A (ko) 2019-11-18 2019-11-18 IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190147480A KR20210059991A (ko) 2019-11-18 2019-11-18 IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치

Publications (1)

Publication Number Publication Date
KR20210059991A true KR20210059991A (ko) 2021-05-26

Family

ID=76137536

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190147480A KR20210059991A (ko) 2019-11-18 2019-11-18 IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치

Country Status (1)

Country Link
KR (1) KR20210059991A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761912A (zh) * 2021-08-09 2021-12-07 国家计算机网络与信息安全管理中心 一种对恶意软件归属攻击组织的可解释判定方法及装置
WO2023075500A1 (ko) * 2021-11-01 2023-05-04 주식회사 지엔 Iot 기기 점검 방법 및 그 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100977179B1 (ko) 2008-03-19 2010-08-23 엔에이치엔비즈니스플랫폼 주식회사 악성코드 탐지 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100977179B1 (ko) 2008-03-19 2010-08-23 엔에이치엔비즈니스플랫폼 주식회사 악성코드 탐지 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761912A (zh) * 2021-08-09 2021-12-07 国家计算机网络与信息安全管理中心 一种对恶意软件归属攻击组织的可解释判定方法及装置
CN113761912B (zh) * 2021-08-09 2024-04-16 国家计算机网络与信息安全管理中心 一种对恶意软件归属攻击组织的可解释判定方法及装置
WO2023075500A1 (ko) * 2021-11-01 2023-05-04 주식회사 지엔 Iot 기기 점검 방법 및 그 장치

Similar Documents

Publication Publication Date Title
Xiao et al. Malware detection based on deep learning of behavior graphs
US10956477B1 (en) System and method for detecting malicious scripts through natural language processing modeling
US10581879B1 (en) Enhanced malware detection for generated objects
US11314862B2 (en) Method for detecting malicious scripts through modeling of script structure
RU2654146C1 (ru) Система и способ обнаружения вредоносных файлов с использованием элементов статического анализа
US10284570B2 (en) System and method to detect threats to computer based devices and systems
Ficco Malware analysis by combining multiple detectors and observation windows
US9253208B1 (en) System and method for automated phishing detection rule evolution
Feizollah et al. A study of machine learning classifiers for anomaly-based mobile botnet detection
US9349006B2 (en) Method and device for program identification based on machine learning
US20220279012A1 (en) Methods and apparatus to identify and report cloud-based security vulnerabilities
Zhu et al. Android malware detection based on multi-head squeeze-and-excitation residual network
CN112084497A (zh) 嵌入式Linux系统恶意程序检测方法及装置
CN109992969B (zh) 一种恶意文件检测方法、装置及检测平台
KR102316286B1 (ko) 인공 지능을 이용한 모발 상태 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치
US11270001B2 (en) Classification apparatus, classification method, and classification program
CN111092889B (zh) 分布式数据节点异常行为检测方法、装置及服务器
JP2016091549A (ja) マルウェアイベントとバックグラウンドイベントとを分離するためのシステム、デバイス、および方法
KR20210084204A (ko) 악성 코드 수집 방법 및 시스템
KR20210059991A (ko) IoT 악성행위 분석 방법 및 이를 수행하기 위한 컴퓨팅 장치
Kandukuru et al. Android malicious application detection using permission vector and network traffic analysis
KR102344293B1 (ko) 보안 로그 전처리 장치 및 방법
CN113158195B (zh) 一种基于poc脚本的分布式漏洞扫描方法及系统
Casolare et al. On the resilience of shallow machine learning classification in image-based malware detection
CN114697066A (zh) 网络威胁检测方法和装置

Legal Events

Date Code Title Description
E601 Decision to refuse application