정적 특징 기반 랜섬웨어 탐지를 위한 특징 중요도 알고리즘 비교 및 특징 선정 연구 = A Comparative Study of Feature Importance Algorithms and Feature Selection for Static Feature-Based Ransomware Detection

국문 초록 (Abstract)

본 논문에서는 랜섬웨어 PE 파일 헤더 정보, 섹션 크기, 가상 메모리 크기 등 54개의 정적 특징을 추출하여 Gain Ratio, Information Gain,Gini Importance, Mutual Information 네 가지 알고리즘으로 중요도를 평가하고, 각 알고리즘 상위 K값에 해당하는 특징 집합을 구성해 Random Forest, Decision Tree, Support Vector Machine, Multi-Layer Perceptron 네 가지 분류 모델을 학습⋅검증하였다. 실험 결과, RF 모델이 Gain Ratio 기반 K=0.01에서 41개 특징으로 99.33%의 최고 정확도를 달성했으며, DT(98.67%), SVM(96.67%), MLP(98.75%) 등 모든 모델이 96% 이상의성능을 보였다. 이를 통해 특징 수 조정으로 학습 자원을 적게 사용하면서 높은 탐지 정확도를 확인하였다.

다국어 초록 (Multilingual Abstract)

In this paper, we extract 54 static features from ransomware PE files—including header metadata, section sizes, and virtual memorysizes—and evaluate their importance using four algorithms: Gain Ratio, Information Gain, Gini Importance, and Mutual Information. Foreach algorithm, we select the top-K features to form a reduced feature set, which is then used to train and validate four classificationmodels: Random Forest, Decision Tree, Support Vector Machine, and Multi-Layer Perceptron. Experimental results show that the RandomForest model, using 41 features selected by a Gain Ratio threshold of K = 0.01, achieves the highest accuracy of 99.33%. The DecisionTree, SVM, and MLP models also demonstrate strong performance with accuracies of 98.67%, 96.67%, and 98.75%, respectively. Thesefindings confirm that careful feature selection can substantially reduce computational costs while maintaining high detection accuracy