opcode 시퀀스를 이용한 이중 계층 랜덤 포레스트를 통한 강화된 랜섬웨어 탐지

랜섬웨어는 사이버 보안에 중대한 위협을 지속적으로 가하고 있으며, 중요한 데이터를 암호화하고 그에 따른 몸값 요구를 통해 광범위한 피해를 초래합니다. 새로운 이중 계층 랜덤 포레스트 접근 방식을 도입함으로써 opcode 시퀀스의 계층적 분석을 활용하여 랜섬웨어 탐지를 향상시켜 전통적인 모델에 비해 보다 우수한 정확성과 견고성을 제공합니다. 제안된 방법론은 일반 opcode 분포 패턴을 포착하는 초기 계층 이후, n-그램 모델 및 TF-IDF 변환과 같은 고급 특징 엔지니어링 기법을 통해 식별된 가장 차별화된 특성에 초점을 맞춘 정제된 두 번째 계층을 포함합니다. 광범위한 평가에서 정확도, 정밀도, 재현율 및 F1 점수와 같은 다양한 성능 메트릭스에서 모델의 효과성을 입증하였으며, 단일 계층 랜덤 포레스트, 서포트 벡터 머신 및 신경망을 크게 초월합니다. 모델의 계층적 구조는 과적합을 완화하고 확장성을 보장하여 실제 랜섬웨어 탐지 시나리오에 적합하게 만듭니다. 또한, 상세한 특징 중요성 분석은 랜섬웨어의 구별되는 특성에 대한 귀중한 통찰을 제공하여 목표 지향적인 사이버 보안 전략의 개발을 촉진합니다. 이중 계층 랜덤 포레스트 모델은 맬웨어 탐지에서 중요한 발전을 나타내며, 복잡한 사이버 보안 문제를 높은 정확성과 신뢰성으로 해결하는 계층적 기계 학습 기술의 잠재력을 보여줍니다.