[논문 리뷰] On The Effectiveness of Kolmogorov Complexity Estimation to Discriminate Semantic Types

Stephen F. Bush, Todd Hughes|ArXiv.org|2005. 12. 22.

Computability, Logic, AI Algorithms참고 문헌 5인용 수 6

한 줄 요약

이 논문은 데이터 유형의 콜모고로프 복잡도를 추정하여 의미적 유형을 구분함으로써 알려지지 않은 취약점을 사전에 식별하는 복잡도 기반 프레임워크를 제안한다. 복잡도 추정기의 라이브러리를 사용하여, 사전 정의된 헤더나 서명에 의존하지 않고 실행 코드가 수동 데이터에 임bed된 것과 같은 이상 현상을 탐지한다. 이는 의미적 유형이 복잡도 추정을 통해 효과적으로 식별될 수 있음을 보여주며, 이는 알려지지 않은 공격 벡터를 조기에 탐지할 수 있게 한다.

ABSTRACT

We present progress on the experimental validation of a fundamental and universally applicable vulnerability analysis framework that is capable of identifying new types of vulnerabilities before attackers innovate attacks. This new framework proactively identifies system components that are vulnerable based upon their Kolmogorov Complexity estimates and it facilitates prediction of previously unknown vulnerabilities that are likely to be exploited by future attack methods. A tool that utilizes a growing library of complexity estimators is presented. This work is an incremental step towards validation of the concept of complexity-based vulnerability analysis. In particular, results indicate that data types (semantic types) can be identified by estimates of their complexity. Thus, a map of complexity can identify suspicious types, such as executable data embedded within passive data types, without resorting to predefined headers, signatures, or other limiting a priori information.

연구 동기 및 목표

• 공격 발생 이전에 알려지지 않은 취약점을 탐지할 수 있도록 콜모고로프 복잡도 기반의 사전적 취약점 분석 프레임워크를 개발하는 것.
• 콜모고로프 복잡도 추정치가 서로 다른 의미적 데이터 유형을 효과적으로 구분할 수 있는지 검증하는 것.
• 사전 정의된 헤더나 서명에 의존하지 않고, 수동 데이터에 임bed된 악성 콘텐츠(예: 실행 코드)를 탐지할 수 있도록 하는 것.
• 높은 복잡도 이상 현상을 데이터 구성 요소에서 식별함으로써 향후 공격 벡터를 예측할 수 있도록 하는 것.

제안 방법

• 프레임워크는 데이터 구성 요소의 콜모고로프 복잡도 근사치를 계산하기 위해 점차 증가하는 복잡도 추정기 라이브러리를 사용한다.
• 알고리즘적 정보 이론 원리를 적용하여 데이터 스트림의 알고리즘적 복잡도를 추정한다.
• 다양한 데이터 유형 간의 복잡도 추정치를 비교하여 잠재적인 의미적 이상 현상을 나타내는 이심을 식별한다.
• 복잡도 추정치의 안정성을 보장하기 위해 보편 기계 간의 불변성 정리를 활용한다.
• 사전에 데이터 구조, 헤더, 서명에 대한 지식이 필요로 하지 않는다.
• 데이터 구성 요소를 복잡도 공간에 매핑하여 실행 코드가 비실행적 맥락에 존재하는 것과 같은 의심스러운 유형을 탐지한다.

실험 결과

연구 질문

• RQ1 콜모고로프 복잡도 추정은 서로 다른 의미적 유형의 데이터를 효과적으로 구분할 수 있는가?
• RQ2 서명이나 헤더에 의존하지 않고 복잡도 기반 분석이 얼마나 효과적으로 임bed된 악성 콘텐츠를 탐지할 수 있는가?
• RQ3 데이터 구성 요소에서 높은 복잡도 이상 현상을 식별함으로써 알려지지 않은 취약점을 예측할 수 있는가?
• RQ4 다양한 데이터 표현 방식과 보편 기계 간에 복잡도 추정치는 얼마나 안정적이고 신뢰할 수 있는가?

주요 결과

• 연구는 의미적 데이터 유형이 콜모고로프 복잡도 추정치를 통해 효과적으로 구분될 수 있음을 입증하며, 이는 이상한 데이터 패턴을 식별하는 데 기여한다.
• 프레임워크는 사전 정의된 헤더나 서명 없이도 수동 데이터 유형 내에 임bed된 실행 코드를 성공적으로 탐지한다.
• 복잡도 추정은 내재된 알고리즘적 복잡도에 기반하여 서명이 없는 보편적인 방법으로 의심스러운 데이터 구성 요소를 식별할 수 있다.
• 결과는 복잡도 기반 분석을 사전적 취약점 탐지 메커니즘으로 활용할 수 있음을 뒷받침한다.
• 높거나 예상치 못한 복잡도를 가진 데이터를 경고함으로써 이는 잠재적 공격 벡터를 조기에 식별할 수 있도록 한다.
• 이 연구는 사이버보안 분야에서 복잡도 기반 취약점 분석의 보편적 개념에 대한 점진적 검증을 제공한다.