crowdstrike.com

이 이메일 도메인이 관측된 논문 5건

arXiv:2609.23995v1cs.LG

L1 페널티 로지스틱 모델과 대규모 데이터셋에서는 더 단순한 방식이 더 효과적이다

Simpler Methods Work Better for L1 Penalized Logistic Models and Large Datasets

$L_1$ 노름(norm) 페널티가 적용된 선형 모델은 고차원($d > 1,000,000$) 태스크에서 여전히 최고 수준(SOTA)의 성능을 유지하며, 실제 산업 문제를 해결하기 위한 직관적인 방법을 제공합니다. 산업계에서의 광범위한 사용과 유용성에도 불구하고, 다수의 $L_1$ 솔버는 일반적인 용도로 쓰기에 효과적이지 않고 극도로 느리며 병렬화에 비효율적입니다. 이로 인해 대규모 산업 수준의 말뭉치를 대상으로 MLOps 파이프라인에서 학습(training)하기가 어렵습니다. 본 연구에서는 문헌에서 제안된 여러 '최고 수준'의 솔루션을 테스트하였으며, 기존의 전통적인 방식들이 일반적인 사용 측면에서 현재 훨씬 더 우수하다는 점을 발견했습니다. 또한 학계가 상용화 단계로의 전환을 가로막을 수 있는 과도하게 자신하는 잘못된 결과를 피하도록 돕는 몇 가지 연구 권장 사항을 제시합니다. 그에 못지않게 놀라운 점으로, 서브그래디언트(sub-gradient)에 LBFGS를 사용하는 새롭고 단순한 기준선(baseline) 모델이 이론적인 비수렴(non-convergence)을 이유로 문헌에서 배제되었음에도 불구하고 약간의 수정만으로 매우 효과적임을 확인했습니다. 실제 환경에서 이 방식은 상용화에 있어 유지보수가 더 쉽고 확장하기에도 더 용이한 방법임을 확인했습니다.

arXiv:2609.21306v1cs.LG

빠르고 정확한 텍스트 콘텐츠 파일 유형 식별

Fast And Accurate Text Content File Type Identification

조직 전반에서 흔한 요구는 파일 내용을 바탕으로 파일 유형을 식별할 수 있는 도구를 갖는 것이며, 특히 magic number와 파일 확장자를 신뢰할 수 없는 사이버보안 분야에서 그 필요가 두드러진다. 기존 도구들은 실무에서 잘 동작하지만, Magika와 같은 모델 기반 도구는 탐지 시 계산 부하와 소요 시간 측면에서, 프로그래밍 언어 구조를 이용하는 파일 파싱 도구는 탐지 정확도 측면에서 개선 여지가 크다. 본 연구에서는 소스 코드를 비롯한 텍스트 콘텐츠 파일 유형 식별을 위한 신경망 모델을 제안하며, 이는 기존에 이용 가능한 도구들보다 더 정확하고 빠르다. 오픈소스 파일에 대한 실험 결과, 텍스트 콘텐츠 파일 유형 식별에서 평균적으로 더 높은 정확도를 보였을 뿐 아니라 Magika 대비 약 4배 빠르고 모델 크기는 28% 더 작다.

arXiv:2609.21303v1cs.CR

머신러닝을 활용한 보안 플랫폼 제품 악용 탐지

Identifying Security Platform Product Abuse with Machine Learning

제품 악용(product abuse)은 개별적으로는 드물지만 SaaS 업계 전반에서 점차 증가하고 있는 문제입니다. 고도로 정교한 위협 행위자는 고객 환경 내에서 보안 플랫폼을 오용하거나 제품 자체를 대상으로 우회 실험을 수행할 수 있습니다. 위협 행위자는 번거롭고 자주 탐지되는 악성코드의 사용을 피하기 위해 환경 내 정상 도구를 악용하는 공격(living-off-the-land, LOTL)을 활용할 수 있습니다. 이러한 위협을 해결하기 위해서는 서로 다른 유형의 데이터베이스 전반에서 다중 데이터 모달리티(multiple data modalities)를 수집해야 하며, 정교하지만 위험한 사건의 본질적인 희소성으로 인한 콜드 스타트 문제(cold-start problem)를 해결하고, 실제 배포 제약 조건(예: 비용, 사용자 행동, 성능 등) 내에서 설계해야 합니다. 이에 따라 본 논문에서는 특히 실제 배포되어 운영 중인 역량 측면에서 이러한 전체 시스템 방어에 대한 최초의 연구를 제공합니다. 연구 결과 제품 악용 탐지 범위(coverage)가 35% 증가하고 월간 알림이 30% 감소했으며 악의적인 행위자의 행동 변화에 대한 적응성을 입증했습니다. 또한 운영 요구사항을 충족하기 위해 시스템을 설계할 때 고려한 제약 조건과, 설명 가능한 피처(explainable features)의 가치 및 이전에 식별된 공격에 대한 반사실적(counterfactual) 성능에 대한 사후 평가를 함께 검토합니다.

arXiv:2607.01445v1cs.CR

Hamm-Grams: An Algorithm for Mining Regular Expressions of Bytes

악성코드(malware) 탐지에서 n-그램 피처의 취약성을 극복하기 위해, 고정 길이와 단일 문자 와일드카드를 갖는 정규표현식의 특수 클래스인 hamm-gram을 효율적으로 추출하는 알고리즘을 제안한다. 해밍 거리(Hamming distance)에 민감한 새로운 지역 민감 해싱(locality-sensitive hashing)과 해시 버킷 내 클러스터링을 결합하여, Drebin 안드로이드 악성코드 및 Ember 2018 Windows 악성코드 분류 태스크에서 기존 n-그램 대비 향상된 견고성과 성능을 보였다.

arXiv:2606.28917v1cs.LG

약한 지도학습을 활용한 머신러닝 기반 LDAP 정찰 탐지

ML-Powered LDAP Reconnaissance Detection using Weak Supervision

경량 디렉터리 액세스 프로토콜(LDAP, Lightweight Directory Access Protocol)은 사용자가 Active Directory(AD) 데이터를 조회하고 수정할 수 있게 해주는 프로토콜이다. 기본적으로 모든 사용자는 LDAP를 통해 전체 AD 데이터에 대한 읽기 권한을 가지므로, 위협 행위자가 최초로 자격 증명을 탈취했을 때 정찰 초기 단계에서 흔히 사용되는 도구가 된다. 정찰 단계 초기에 위협 행위자를 포착하기 위해, 우리는 LDAP 정찰을 탐지하는 두 가지 머신러닝 프레임워크를 개발하였다: 악의적인 LDAP 쿼리를 예측하는 머신러닝 분류기와 악의적인 쿼리 시그니처를 추출하는 머신러닝 기반 데이터 마이닝 방법이다. LDAP 쿼리를 엔드포인트 탐지와 상관 분석하여, 첫 번째 프레임워크는 약한 지도학습(weak supervision)을 활용해 대규모 데이터셋에 레이블을 부여하고 LDAP 쿼리를 악의적 또는 정상으로 분류한다. 즉각적인 배포를 위해, 이 접근법 위에 두 번째 기법을 개발하여 엄격한 통계적 가설 검정 프레임워크를 통해 새로운 악의적 LDAP 시그니처를 마이닝하도록 하였다. 이 약한 지도학습 방식은 수동 인간 레이블링에 비해 한계가 있지만, 대규모 자동화 코퍼스 구축을 활용하여 비용과 시간을 절감하므로 이 사용 사례에서는 더 실용적이다. 최종적으로, LDAP 분류기와 머신러닝 기반 LDAP 시그니처 마이닝 방법 모두 성능 벤치마크를 달성하였으며, 분류기는 홀드아웃 세트에서 거짓 양성을 제한하면서 최대 65%의 진양성률(TPR)을 달성하였고, 마이닝된 시그니처는 CrowdStrike의 관리형 탐지 및 대응(Managed Detection and Response) 팀을 통해 81.48%의 필드 정밀도를 달성함을 입증하였다.