[논문 리뷰] Ripple: Reflection Analysis for Android Apps in Incomplete Information Environments

Yifei Zhang, Tian Tan외 2명|arXiv (Cornell University)|2016. 12. 16.

Advanced Malware Detection Techniques참고 문헌 32인용 수 4

한 줄 요약

이 논문은 완전한 정보 환경이 아닌 환경에서의 타입 추론을 활용하여 기존의 문자열 추론보다 더 타당하게 반사 호출을 해결하는, Android 앱을 대상으로 한 첫 번째 IIE 인식 정적 반사 분석인 Ripple을 소개한다. 17개의 인기 앱에서 평가한 결과, Ripple은 FlowDroid가 이전에 간과한 수백 가지의 민감한 데이터 泄露를 낮은 오류 양성률로 탐지할 수 있도록 한다.

ABSTRACT

Despite its widespread use in Android apps, reflection poses graving problems for static security analysis. Currently, string inference is applied to handle reflection, resulting in significantly missed security vulnerabilities. In this paper, we bring forward the ubiquity of incomplete information environments (IIEs) for Android apps, where some critical data-flows are missing during static analysis, and the need for resolving reflective calls under IIEs. We present Ripple, the first IIE-aware static reflection analysis for Android apps that resolves reflective calls more soundly than string inference. Validation with 17 popular Android apps from Google Play demonstrates the effectiveness of Ripple in discovering reflective targets with a low false positive rate. As a result, Ripple enables FlowDroid, a taint analysis for Android apps, to find hundreds of sensitive data leakages that would otherwise be missed. As a fundamental analysis, Ripple will be valuable for many security analysis clients, since more program behaviors can now be analyzed under IIEs.

연구 동기 및 목표

• 실제 Android 앱에서 반사 분석에 필수적인 데이터 플로우가 누락된 상황인 불완전 정보 환경(IIE)의 보편성을 식별하고 실증적으로 연구하는 것.
• 클래스/메서드/필드 이름이 비상수이거나 null일 경우 실패하는 기존 반사 분석 기법—특히 문자열 추론—의 한계를 해결하는 것.
• 사용자 애너테이션 없이 타입 정보를 사용하여 반사 대상을 자동으로 추론하는 IIE 인식 반사 분석인 Ripple을 설계하고 구현하는 것.
• FlowDroid와 같은 후행 보안 분석 기법의 정밀도를 향상시키기 위해, 이전에 간과된 프로그램 동작을 탐지할 수 있도록 Ripple의 효과성을 입증하는 것.

제안 방법

• Ripple은 반사 대상이 상수 문자열 추론으로 해결되지 않는 불완전 정보 환경(IIE)을 모델링한다. 이는 데이터 플로우가 누락되거나 알려지지 않은 상황에서 발생한다.
• Ripple은 수동으로 알 수 없는 또는 null인 수신 객체 및 클래스/메서드 이름을 포함한 반사 호출 사이트에서 자동 타입 추론을 수행한다.
• Soot의 Spark 포인터 분석과 통합하여 타입 정보를 전파하고, 문자열 상수가 이용 불가능한 경우에도 반사 대상을 추론한다.
• 표준 문자열 추론을 포함하여 상수 및 비상수 문자열 케이스(해당 사례에 null 포함)를 모두 처리하는 타당한 초과 근사 기법을 통해 이를 추월한다.
• 흐름 및 컨텍스트 무관 포인터 분석을 사용하여 객체 타입을 추적하고, 런타임에 실제로 반사되는 클래스, 메서드 또는 필드를 추론한다.
• FlowDroid와 같은 기존 정적 보안 분석 프레임워크에 통합될 수 있도록 설계되어, 코드 커버리지와 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 실제 Android 앱에서 불완전 정보 환경(IIE)은 얼마나 보편적인가? 그 주요 원인은 무엇인가?
• RQ2 비상수 또는 null인 반사 대상 이름으로 인해 기존의 문자열 추론 기반 반사 분석 기법이 IIE에서 얼마나 실패하는가?
• RQ3 Ripple과 같은 IIE 인식 반사 분석이 민감한 데이터 泄露 탐지에서 정적 타인트 분석의 정밀도와 타당성을 얼마나 향상시킬 수 있는가?
• RQ4 Ripple의 타입 추론 기반 접근법은 문자열 추론 대비 오류 양성률과 탐지 커버리지 측면에서 어떻게 비교되는가?
• RQ5 FlowDroid와 같은 후행 타인트 분석 도구와 Ripple을 통합했을 때 실제 Android 애플리케이션에 어떤 영향을 미치는가?

주요 결과

• IIE는 실제 Android 앱에서 널리 퍼져 있으며, 오브스컬레이션, 무감각한 라이브러리 요약, 모델링되지 않은 Android 서비스, 콜백 및 ICC와 같은 복잡한 기능들에서 기인한다.
• 클래스/메서드/필드 이름이 비상수이거나 null일 경우 문자열 추론 기반 반사 분석은 반사 대상을 간과하게 되며, 이는 보안 분석에서 심각한 오류 음성(가짜 부정)을 초래한다.
• Ripple은 자동 타입 추론을 통해 IIE 내에서 반사 대상을 성공적으로 해결함으로써 기존의 문자열 추론을 초월하고 타당성을 향상시킨다.
• 17개의 인기 Google Play 앱에서의 평가 결과, Ripple은 FlowDroid가 이전에 간과한 수백 가지의 민감한 데이터 泄露를 탐지할 수 있도록 한다.
• Ripple을 FlowDroid와 통합함으로써 낮은 오류 양성률을 유지하면서도 보안 취약점 탐지 커버리지가 크게 향상된다.
• Ripple의 접근법은 효과적이고 확장 가능하며, IIE 인식 반사 분석이 Android 앱에서 타당하고 정밀한 정적 보안 분석을 위해 필수적임을 입증한다.