PE 파일 분석을 위한 함수 호출 그래프 생성 연구

국문 초록 (Abstract)

다양한 스마트 기기의 보급으로 인하여 악성코드로 인한 피해를 더욱 심각해지면서 머신러닝 기술을 활용한 악성코드 탐지 기술이 주목 받고 있다. 그러나 코드의 단편적인 특성만을 기반으로 머시러닝의 학습 데이터를 구성할 경우, 이를 회피하는 변종 및 신종 악성코드는 여전히 제작하기 쉽다. 이와 같은 문제를 해결하기 위한 방법으로 악성코드의 함수호출 관계를 학습 데이터로 사용하는 연구가 주목받고 있다. 특히, GNN을 활용하여 그래프의 유사도를 측정함으로써 보다 향상된 악성코드 탐지가 가능할 것으로 예상된다. 본 논문에서는 GNN을 악성코드 탐지에 활용하기 위해 바이너리 코드로부터 함수 호출 그래프를 생성하는 효율적인 방안을 제안한다.

다국어 초록 (Multilingual Abstract)

As various smart devices spread and the damage caused by malicious codes becomes more serious, malicious code detection technology using machine learning technology is attracting attention. However, if the training data of machine learning is constructed based on only the fragmentary characteristics of the code, it is still easy to create variants and new malicious codes that avoid it. To solve such a problem, a research using the function call relationship of malicious code as training data is attracting attention. In particular, it is expected that more advanced malware detection will be possible by measuring the similarity of graphs using GNN. This paper proposes an efficient method to generate a function call graph from binary code to utilize GNN for malware detection.

목차 (Table of Contents)

• Abstract
• 요약
• Ⅰ. 서론
• Ⅱ. 함수 호출 그래프(FCG)
• Ⅲ. FCG 분석
• Ⅳ. 결론
• References

참고문헌 (Reference)

1 D. Rajeswaran, "book: Guide to Vulnerability Analysis for Computer Networks and Systems" 259-279, 2018

2 Lee, Taejin, "Trends in intelligent malware analysis technology using machine learning" 28 (28): 12-19, 2018

3 M. Singh, "Security analysis of intelligent vehicles: Challenges and scope" 5-8, 2017

4 P. Deshpande, "Metamorphic Detection Using Function Call Graph Analysis"

5 Korea Internet & Security Agency, "Malware hidden site detection trend report in the second half of 2020"

6 Korea Internet & Security Agency, "Malware characteristic information for using artificial intelligence technolog"

7 Minghui Cai, "Learning features from enhanced function call graphs for Android malware detection" Elsevier BV 423 : 301-307, 2021

8 Z. Liu, "Introducation to Graph Neural Networks" Morgan & Claypool Publishers 2020

9 A. Ahmed, "Improving the Detection of Malware Behaviour Using Simplified Data Dependent API Call Graph" 7 (7): 29-24, 2013

10 D. Rajeswaran, "Function Call Graph Score for Malware Detection"

11 T. Toma, "An efficient mechanism of generating call graph for JavaScript using dynamic analysis in web application" 2014

12 D. Andriesse, "An In-Depth Analysis of Disassembly on Full-Scale x86/x64 Binaries" 583-600, 2016

13 E. Amer, "A dynamic Windows malware detection and prediction method based on contextual understanding of API call sequence" 2020

14 S. Yang, "A Real-Time and adaptive-Learning Malware Detection Method Based On API-Pair Graph" 8 : 120-113, 2020

15 J. Bai, "A Malware and Variant Detection Method Using Function Call Graph Isomorphism" 2019 : 2019