[논문 리뷰] Generative Adversarial Networks for Malware Detection: a Survey

Aeryn Dunmore, Julian Jang‐Jaccard외 2명|arXiv (Cornell University)|2023. 02. 16.

Advanced Malware Detection Techniques인용 수 6

한 줄 요약

이 종합 검토는 악성 소프트웨어 탐지 분야에서 생성적 적대적 네트워크(GANs)에 대한 포괄적인 개요를 제공하며, GAN 아키텍처, 훈련 방법론, 평가 지표, 데이터셋, 그리고 악성 소프트웨어 연구 분야의 응용을 다룹니다. GAN이 데이터 증강, 적대적 예제 생성, 희귀 악성 소프트웨어 클래스 탐지 향상에 효과적이라는 점을 강조하면서도, 모델 오용과 관련된 윤리적 우려를 제기하고 실시간 분석 및 직접 데이터 처리 분야의 미래 연구 방향을 제시합니다.

ABSTRACT

Since their proposal in the 2014 paper by Ian Goodfellow, there has been an explosion of research into the area of Generative Adversarial Networks. While they have been utilised in many fields, the realm of malware research is a problem space in which GANs have taken root. From balancing datasets to creating unseen examples in rare classes, GAN models offer extensive opportunities for application. This paper surveys the current research and literature for the use of Generative Adversarial Networks in the malware problem space. This is done with the hope that the reader may be able to gain an overall understanding as to what the Generative Adversarial model provides for this field, and for what areas within malware research it is best utilised. It covers the current related surveys, the different categories of GAN, and gives the outcomes of recent research into optimising GANs for different topics, as well as future directions for exploration.

연구 동기 및 목표

• 기존 문헌에서의 격차를 메우기 위해 GAN의 응용에 대한 포괄적이고 최신의 종합 검토를 제공하는 것.
• GAN이 데이터 증강 및 희귀 또는 적대적 악성 소프트웨어 샘플 생성을 통해 악성 소프트웨어 탐지 성능을 향상시키는 방식을 분석하는 것.
• 현재의 악성 소프트웨어 연구에서 사용되는 평가 지표, 데이터셋, GAN 변종을 분석하는 것.
• GAN을 활용한 악성 소프트웨어 생성이 초래하는 윤리적 영향과 모델 오용 위험을 논의하는 것.
• 실시간 탐지, 직접 데이터 처리, 최적화 기법 분야에서 유망한 미래 연구 방향을 식별하고 개선하는 것.

제안 방법

• 최근의 GAN 관련 악성 소프트웨어 연구 문헌에 대한 체계적 검토로, 훈련, 평가, 응용에 중점을 둔다.
• 기본 GAN, 조건부 GAN, 스택GAN 및 인포GAN과 같은 고급 아키텍처를 포함한 GAN 변종의 분류.
• DREBIN, AndroZoo 및 정적 및 동적 기능을 포함한 기타 악성 소프트웨어 레포지터리 등 실험에 사용된 데이터셋 분석.
• 정확도, F1-스코어, AUC-ROC, 정밀도-재현율 트레이드오프 등 성능 지표 평가.
• GAN 성능 향상을 위한 n-gram 특징 추출 및 유전 알고리즘 최적화 기법 분석.
• 적대적 모델 오용 위험과 사이버보안 연구 분야에서의 책임 있는 AI 실천 필요성 등을 포함한 윤리적 고려사항 논의.

Figure 1: A standard GAN, SGAN, or LSGAN model, reproduced based on diagrams from Wang et al., 2017 wang2017generative

실험 결과

연구 질문

• RQ1 다양한 GAN 아키텍처는 어떻게 희귀 또는 불균형한 악성 소프트웨어 클래스를 처리하는 데 있어 악성 소프트웨어 탐지 성능을 향상시키나?
• RQ2 실세계 상황에서 GAN 기반 악성 소프트웨어 탐지 시스템을 평가할 때 가장 효과적인 평가 지표는 무엇인가?
• RQ3 GAN은 어떻게 실제적인 적대적 악성 소프트웨어 샘플을 생성하여 탐지 성능의 강건성을 향상시킬 수 있는가?
• RQ4 최근의 혁신, 예를 들어 n-gram을 이용한 직접 데이터 처리 또는 유전 알고리즘 최적화 기법은 GAN의 악성 소프트웨어 탐지 성능을 어떻게 향상시키나?
• RQ5 악성 소프트웨어 생성을 위한 상세한 GAN 모델을 공개할 경우 발생하는 윤리적 및 보안 위험은 무엇이며, 이를 어떻게 책임감 있게 관리할 수 있는가?

주요 결과

• GAN은 희귀 악성 소프트웨어 클래스의 데이터 증강을 통해 클래스 불균형을 줄이고 모델의 일반화 능력을 향상시켜 악성 소프트웨어 탐지 성능을 크게 향상시킨다.
• 조건부 GAN과 인포GAN은 특정 행동적 또는 구조적 특성을 가진 현실적인 악성 소프트웨어 샘플 생성에 뛰어난 성능을 보인다.
• n-gram 특징 추출 기법을 활용하면 이미지나 시퀀스로의 변환 없이도 원시 코드나 바이트 시퀀스에 직접 적용할 수 있어 효율성과 정확도가 향상된다.
• 유전 알고리즘은 GAN의 하이퍼파라미터 최적화에 성공적으로 적용되어 탐지 정확도 향상과 훈련 불안정성 감소에 기여한다.
• 그럼에도 불구하고 많은 GAN 기반 악성 소프트웨어 탐지 시스템은 윤리적 위험에 대한 논의가 부족하여, 책임감 있는 AI 구현 측면에서 중요한 격차가 존재한다.
• GAN을 활용한 실시간 및 동적 악성 소프트웨어 분석는 아직 탐색되지 않은 분야로, 향후 연구의 핵심 분야로 남아 있다.