지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최린
- 발행연도
- 2015
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 안드로이드 플랫폼에서의 악성코드 탐지에 관한 연구를 진행한다. 최근 안드로이드 플랫폼의 빠른 성장과 진화에 더불어 악성코드에 대한 위협도 빠르게 증가하고 있다. 스마트 폰 환경의 특수성으로 인해 기존의 시그니처(Signature) 방식의 악성코드 탐지 및 대응은 사후 대응일 수밖에 없어 제로데이 공격(Zero-day attack)은 탐지가 불가능한 경우가 많다. 본 논문에서는 안드로이드 어플리케이션의 동작 패턴 분석을 통해 얻은 결과를 기계학습 알고리즘에 적용함으로써 시그니처 방식의 탐지를 보완하고 성능을 개선할 수 있는 모델을 제안한다. 또한 새로운 동작 패턴 속성이 추가될 때 기계학습 효과가 개선되는 지를 실험을 통해 확인해 봄으로써 본 연구를 통하여 탐지의 정확도가 향상되고 오탐율을 낮추는 것이 가능하다는 점을 증명한다.
목차
1. 서 론 12. 관련 연구 32.1 안드로이드 악성 코드 유형 32.2 안드로이드 악성 코드 탐지관련 기존 연구 42.3.1 정적 분석에 의한 탐지 52.3.2 동적 분석에 의한 탐지 52.3.3 혼합 탐지 63. 기계학습 및 데이터 마이닝을 이용한 악성코드 탐지 73.1 Security sensitive APIs(SS-APIs) 및 Filtered Intent(SS-Filtered Intent) 사용 패턴 분석 73.2 Security sensitive Permissions (SS-Permissions)요구 패턴 분석 103.3 Security sensitive System calls(SS-System calls) 사용 통계 분석 113.4 기계학습 알고리즘을 이용한 악성 어플리케이션 예측 모델 134. 실험결과 144.1 데이터 속성 추출 실험 진행 144.2 기계학습 알고리즘 별 실험 진행 164.3 실험 결과 분석 174.3.1 Confusion Matrix Data 174.3.2 TPR (True Positive Rate) FPR(False Positive Rate) 비교 194.3.3 ROC curve 및 AUC 성능지표 결과 215. 결 론 246. 참 고 문 헌 25
최근 본 자료
댓글(0)
0