실행 파일에서 기계 학습을 통한 악성 코드 탐지를 위한 포괄적 연구

악성 코드를 분석하고 샘플을 시작하기 위해 두 가지 방법이 자주 사용됩니다: 정적 분석과 동적 분석. 분석 후, 악성 코드와 양성 샘플을 구별하기 위한 뚜렷한 특성이 검색됩니다. 악성 코드의 탐지 능력은 분석 방법을 통해 구별 가능한 악성 코드 특성을 얼마나 효과적으로 검색했는지에 따라 달라집니다. 전통적인 접근 방식과 기술이 우연히 사용되었던 반면, 이제 기계 학습 알고리즘이 악성 코드를 분류하는 데 사용되어, 악성 코드 생성의 복잡성과 속도에 대처할 수 있습니다. 그러나 몇몇 연구 논문이 발표되었지만, 최근의 서명, 행동 및 하이브리드 기계 학습 분류는 잘 소개되지 않았습니다. 이러한 요구를 바탕으로, 우리는 기계 학습을 사용한 악성 코드 탐지에 대한 포괄적인 분석을 제공하고, 악성 코드 분류기를 구축하는 데 관련된 다양한 어려움을 다룹니다. 마지막으로, 다양한 악성 코드 탐지 문제를 해결하여 효과적인 악성 코드 탐지 시스템을 구축하기 위한 향후 작업도 다루어집니다.