기계 학습 알고리즘을 이용한 악성코드 분석 및 검출

현재 인터넷 사용자가 직면하고 있는 가장 중요한 문제 중 하나는 악성코드입니다. 폴리모픽 악성코드는 기존의 바이러스보다 더 적응력이 뛰어난 새로운 유형의 악성 소프트웨어입니다. 폴리모픽 악성코드는 기존의 서명 기반 악성코드 탐지 모델에 의해 식별되는 것을 피하기 위해 지속적으로 자신의 서명 특성을 수정합니다. 악성 위협이나 악성코드를 식별하기 위해 여러 기계 학습 기법을 사용했습니다. 높은 검출 비율은 가장 높은 정확도를 가진 알고리즘이 시스템에서 사용되도록 선택되었음을 나타냈습니다. 이점으로 혼동 행렬은 거짓 긍정과 거짓 부정의 수를 측정하여 시스템의 작동 방식에 대한 추가 정보를 제공했습니다. 특히, 기계 학습 알고리즘을 사용한 악성코드 분석 및 검출의 결과를 통해 컴퓨터 시스템에서 유해 트래픽을 감지하고 이를 통해 컴퓨터 네트워크의 보안을 개선하는 것이 가능함을 보여주었습니다. 상관 대칭의 차이를 계산하기 위한 적분(Naive Byes, SVM, J48, RF, 및 제안된 접근법)이 사용되었습니다. 결과는 다른 분류기와 비교했을 때 DT(99%), CNN(98.76%), SVM(96.41%)이 검출 정확도 측면에서 좋은 성능을 보였음을 나타냅니다. 주어진 데이터셋에서 소규모 FPR에서 악성코드를 검출하는 DT, CNN, SVM 알고리즘의 성능이 비교되었습니다(DT = 2.01%, CNN = 3.97%, SVM = 4.63%). 이러한 결과는 악성 소프트웨어가 점점 더 일반화되고 복잡해지고 있음을 감안할 때 중요합니다.