PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.09028v5cs.LG

권한 기반 Android 악성코드 탐지에서 도메인 이동 진단 및 완화

Diagnosing and Mitigating Domain Shift in Permission-Based Android Malware Detection

기계 학습 기반 Android 악성코드 탐지기는 도메인 이동(domain shift) 때문에 실제 배포 환경에서 자주 실패하며, 한 데이터 소스에서 학습된 모델이 다른 소스의 애플리케이션에서는 성능이 크게 떨어진다. 본 논문은 교차 도메인(cross-domain) 조건에서 권한 기반 탐지기의 일반화 가능성과 해석 가능성에 대한 포괄적인 연구를 제시한다. PerMalDroid와 NATICUSdroid라는 두 상호 보완적 데이터셋과 다섯 가지 앙상블 분류기를 사용하여, 먼저 도메인 내(intra-domain) 기준선을 설정하며 모델이 92% 이상의 정확도를 달성함을 보인다. 이어 심각한 비대칭적 성능 하락을 정량화한다. PerMalDroid에서 학습된 모델은 NATICUSdroid에 잘 일반화되지만(정확도 86%), 반대 방향에서는 정확도가 73%까지 급격히 하락한다. 설명 가능한 AI(Explainable AI) 분석은 이봉(bimodal) 특징 분포를 밝히고, 특징 중요도가 매우 불안정하며 핵심 권한(permission)이 도메인에 따라 영향력을 잃거나 얻는다는 것을 보여준다. 서로 다른 도메인의 예측 특징 집합은 근본적으로 불일치하며, 모델은 데이터셋별로 서로 다른 권한에 의존한다. 가장 중요하게, 절삭(ablation) 연구는 대부분의 모델에서 노이즈가 있는 특징 집합으로 학습할 경우 일반화가 저조함을 보여 주며, 이는 누락된 특징보다 도메인 특이적 인공물(artifact)이 더 큰 장애물임을 확인한다. 이를 완화하기 위해 공통 특징의 교집합에 기반한 하이브리드 학습 전략을 검증하였으며, 교차 도메인 성능을 성공적으로 회복하여 PerMalDroid에서 88%의 정확도를 달성하고 NATICUSdroid에서는 97%를 유지한다. 이러한 결과는 설명 가능하고 교차 도메인에 강건한 악성코드 탐지 시스템의 중요성을 강조하며, 권한 기반 Android 악성코드 탐지기의 실제 배포 개선을 위한 실용적 경로를 제시한다.

arXiv:2507.18313v2cs.LG

안드로이드 악성코드 탐지를 위한 회귀 인식 지속 학습

Regression-aware Continual Learning for Android Malware Detection

악성코드는 빠르게 진화하여 머신러닝 기반 탐지기를 지속적으로 업데이트해야 한다. 안티바이러스 벤더들이 매일 수십만 건의 새로운 샘플을 처리함에 따라 데이터셋이 수십억 건의 예제로 증가할 수 있어 전체 재학습은 현실적으로 불가능하다. 지속 학습(Continual Learning, CL)은 전체 데이터 접근 없이 점진적 업데이트를 가능하게 하고 파국적 망각(catastrophic forgetting)을 완화하는 확장 가능한 대안으로 부상했다. 본 연구에서는 이 맥락에서 중요하지만 간과된 문제인 보안 회귀(security regression)를 분석한다. 이전에 본 데이터에 대한 평균 성능 저하로 나타나는 망각과 달리, 보안 회귀는 유해한 샘플 수준의 예측 변화를 포착한다. 예를 들어, 업데이트 이전에는 올바르게 탐지되었지만 이후에는 탐지를 회피하는 악성코드 샘플이 이에 해당한다. 이는 보안 크리티컬 애플리케이션에서 심각한 위험을 초래하는데, 이전에 탐지된 위협이 암묵적으로 재도입되면 평균 모델 성능이 실제로 향상되었더라도 사용자들이 업데이트 과정에서 보안이 퇴보했다고 인식하게 되어 신뢰를 잃을 수 있다. 먼저 CL 기반 악성코드 탐지기에서 보안 회귀를 형식화하고 정량화하여, 모델 업데이트 후 악성코드의 최대 3~6%가 이를 경험함을 밝힌다. 그런 다음 CL 환경에 회귀 인식 프레임워크를 도입하여 이 문제를 해결한다. 구체적으로, Positive Congruent Training(PCT)을 통해 이를 구현하여 기존의 모든 CL 전략과 원활하게 통합됨을 보인다. ELSA, Tesseract, AZ-Class 데이터셋에 대한 실험 결과, 본 방법은 시간이 지남에 따라 강력한 탐지 성능을 유지하면서 다양한 CL 시나리오에서 회귀를 절반으로 효과적으로 줄임을 확인한다.

arXiv:2606.26707v1cs.CR

DroidBreaker: 머신러닝 Android 악성코드 탐지기를 대상으로 한 실용적·기능 보존 문제 공간 공격

DroidBreaker: Practical and Functional Problem-Space Attacks on Machine-Learning Android Malware Detectors

적대적 APK는 머신러닝 악성코드 탐지기를 우회하기 위해 문제 공간(problem space)에서 수정된 Android 애플리케이션이다. 본 연구에서는 먼저, 주장과 달리 기존 문제 공간 공격이 여전히 대체로 비실용적임을 보인다. 대부분의 기법은 소프트웨어 이식(software transplantation)을 활용해 전체 무해 모듈을 주입하며, 많은 부수 효과(side-effect) 특징을 도입하고 종종 빌드 시점 실패를 일으킨다. 일부 구성요소만 주입하는 미세 조작(fine-grained) 방법은 효과가 제한적이며, 난독화(obfuscation)도 사용하는 방법은 취약한 바이트코드 재작성에 의존해 구문적으로는 유효하지만 의미적으로는 사용 불가능한 APK를 생성한다. 선행 연구는 수정된 APK가 의도한 동작을 여전히 보존하는지 평가하지 않고, 설치와 기본 실행만 검증하는 스모크 테스트(smoke test)만 수행함으로써 공격 성공률을 과대평가한다. 이러한 한계를 극복하기 위해, 우리는 실용적(빌드 안전, build-safe)이고 기능적(의미 보존, semantics-preserving)인 문제 공간 공격 프레임워크인 DROIDBREAKER를 제안하며, 이는 다음을 제공한다: (i) 대상 모델에 가장 큰 영향을 미치는 APK 구성요소만 조작하는 쿼리 효율적(query-efficient) 화이트박스·블랙박스 공격; (ii) API 호출, 앱 모듈, 권한, URL의 주입 및 난독화를 포함한, 부수 효과를 최소화한 미세 조작·빌드 안전 조작 세트; 및 (iii) 초기 APK와 수정 APK의 실행 로그 및 API 수준 추적(trace)을 비교해 런타임 동등성(runtime equivalence)을 강제하는 의미 보존 기능 테스트. 최근 Android 애플리케이션 코퍼스에서 평가한 결과, DROIDBREAKER는 화이트박스 및 블랙박스 설정 모두에서 적은 쿼리 수와 최소한의 부수 효과로 높은 회피(evasion)율을 달성하며, VirusTotal에 호스팅된 상용 악성코드 스캐너의 탐지를 대폭 줄인다.