[논문 리뷰] Collective Intelligence: Decentralized Learning for Android Malware Detection in IoT with Blockchain

Rajesh Kumar, Wenyong Wang외 4명|arXiv (Cornell University)|2021. 02. 26.

Advanced Malware Detection Techniques참고 문헌 71인용 수 9

한 줄 요약

이 논문은 블록체인을 통합한 피어드 학습 프레임워크를 제안하여 IoT 기기에서 실시간으로 안드로이드 악성코드를 탐지한다. 탈중앙화된 로컬 신경망(LNN)을 사용해 정적 및 동적 특징을 분석하고, 프라이빗 블록체인 상의 스마트 컨tracts를 통해 모델의 진위성 검증 및 안전한 앱 업로드/다운로드를 보장한다. 이 방법은 96%의 정확도와 0.98의 F-측정값을 달성하여 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

The widespread significance of Android IoT devices is due to its flexibility and hardware support features which revolutionized the digital world by introducing exciting applications almost in all walks of daily life, such as healthcare, smart cities, smart environments, safety, remote sensing, and many more. Such versatile applicability gives incentive for more malware attacks. In this paper, we propose a framework which continuously aggregates multiple user trained models on non-overlapping data into single model. Specifically for malware detection task, (i) we propose a novel user (local) neural network (LNN) which trains on local distribution and (ii) then to assure the model authenticity and quality, we propose a novel smart contract which enable aggregation process over blokchain platform. The LNN model analyzes various static and dynamic features of both malware and benign whereas the smart contract verifies the malicious applications both for uploading and downloading processes in the network using stored aggregated features of local models. In this way, the proposed model not only improves malware detection accuracy using decentralized model network but also model efficacy with blockchain. We evaluate our approach with three state-of-the-art models and performed deep analyses of extracted features of the relative model.

연구 동기 및 목표

• 신뢰할 수 없는 소스에서의 앱 설치 증가로 인해 증가하는 IoT 생태계 내 안드로이드 악성코드 위협을 해결하기 위해.
• 자원이 제한된 IoT 기기에서의 서명 기반 및 중앙집중식 딥 러닝 모델의 한계를 극복하기 위해.
• 탈중앙화된 모델 훈련과 블록체인 기반 신뢰 검증을 통해 실시간으로 개인정보를 보호하는 악성코드 탐지 기능을 제공하기 위해.
• 악성코드 탐지 모델의 집계 및 배포 과정에서 모델 무결성을 확보하고 변조를 방지하기 위해.
• 실세계 IoT 환경에서 악성 안드로이드 애플리케이션을 효율적이고 안전하며 정확하게 탐지할 수 있는 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• 정적 및 동적 특징을 사용하여 악성코드를 탐지하기 위해, 비중첩되며 기기별로 특화된 데이터 분포에 기반한 새로운 로컬 신경망(LNN)을 훈련한다.
• 모델 훈련 및 클러스터링을 위한 가장 관련성이 높은 특징을 선택하기 위해 지니 정보 이득 함수를 사용한다.
• 특징 분포에 따라 데이터를 클러스터로 분할하고, 각 클러스터에 최적의 딥 러닝 모델을 선택하여 악성코드 분류를 수행한다.
• 피어드 학습 유사 과정을 통해 모델 가중치를 집계하며, 클라이언트 간에 반복적으로 최신 가중치를 업데이트한다.
• 프라이빗 블록체인은 모델 특징과 해시를 저장하여 불가변적 감사 기록과 신뢰 검증을 가능하게 한다.
• 블록체인 상의 스마트 컨트랙트는 앱 업로드 및 다운로드 시에 악성코드 상태를 검증하며, 집계된 모델 출력에 따라 승인 또는 거부한다.

실험 결과

연구 질문

• RQ1 자원이 제한된 안드로이드 IoT 기기에서 탈중앙화되고 개인정보를 보호하는 악성코드 탐지를 어떻게 달성할 수 있는가?
• RQ2 피어드 학습과 블록체인의 조합이 안드로이드 악성코드 탐지에서 모델 신뢰성 및 탐지 정확도를 향상시킬 수 있는가?
• RQ3 제안된 프레임워크는 기존의 서명 기반 및 중앙집중식 딥 러닝 접근 방식보다 정확도와 실시간 탐지 성능에서 어떻게 뛰어나게 되는가?
• RQ4 블록체인 기반 스마트 컨트랙트 검증은 앱 업로드/다운로드 과정을 보다 안전하게 하는 데 어떤 역할을 하는가?
• RQ5 특징 클러스터링 및 클러스터별 모델 특화화가 전체 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 프레임워크는 96%의 정확도와 0.98의 F-측정값을 달성하여 DNN/RNN(90%), CNN(90%), 다층 퍼셉트론(89%)과 같은 기존 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 피어드 학습과 블록체인의 통합은 모델의 진위성 보장을 통해 모델 집계 및 배포 과정에서의 변조를 방지한다.
• 블록체인 상의 스마트 컨트랙트는 앱 업로드 및 다운로드 시 실시간으로 악성코드 상태를 검증하여 동적 액세스 제어를 가능하게 했다.
• 지니 기반 특징 선택을 활용함으로써 고영향도 특징에 집중함으로써 모델의 효율성과 탐지 성능이 향상되었다.
• 계산 능력 비율과 평균 트랜잭션 처리량 사이에 양의 상관관계가 있음을 입증하여 탈중앙화 네트워크에서의 확장성을 보여주었다.
• 기존의 블록체인 기반 악성코드 탐지 시스템과 달리, 본 연구는 단순히 악성코드 데이터를 기록하거나 로깅하는 것을 넘어서 실시간 탐지 및 동적 의사결정을 가능하게 하였다.