arXiv:2606.06815v1 cs.CR

AMD-FCG: 악성코드 탐지 및 분류를 위한 통합 위상 특징이 포함된 향상된 함수 호출 그래프 데이터셋

AMD-FCG: An Enhanced Function Call Graph Dataset with Integrated Topological Features for Malware Detection and Classification

Parthajit Borah, Sakshi Singh, D. K. Bhattacharyya, J. K. Kalita

제출 2026-06-05

한국어 초록

악성코드는 복잡한 구조와 행동을 나타내므로, 일상생활의 관련 서비스 및 사이버 보안 분야에서 이를 탐지하는 것은 중요한 과제입니다. 따라서 이 문제를 해결하기 위해 신뢰할 수 있고 적응형 솔루션이 필수적입니다. 수년간 개발된 여러 탐지 방법 중 가장 신뢰할 수 있는 방법 중 하나는 악성코드의 구조적 및 행동적 패턴을 연구하고 분석하는 것입니다. 정교한 악성코드의 이러한 패턴은 함수 호출 그래프(FCG)를 통해 얻을 수 있습니다. 그러나 수많은 악성코드 패밀리 그룹을 효과적으로 포괄하려면 시스템이 작동할 수 있는 충분히 큰 데이터셋이 필요합니다. 시스템의 정확성과 견고성을 보장하려면 데이터셋에 다양한 악성코드와 정상 애플리케이션의 샘플이 포함되어야 탐지 프로세스를 안전하게 수행할 수 있습니다. 본 논문에서는 악성코드의 위상 특징이 통합된 향상된 함수 호출 그래프 데이터셋인 AMD-FCG를 소개합니다. 이 프레임워크는 탐지 절차를 개선하여 사이버 보안 전문가의 워크플로우를 간소화하고, 동적 분석과 많은 처리가 필요 없도록 합니다. 따라서 이를 활용하여 더 효율적이고 혁신적인 악성코드 탐지 시스템을 개발하고 배포할 수 있습니다.

원문 초록

As malware illustrates a complex structure and behavior, detection of these has been a significant challenge in the domain of cybersecurity along with related services in daily life. So, it becomes crucial to have a reliable and adaptive solution to address the issue. Among the several detection methods developed over the years, one of the most reliable ones is studying and analyzing the structural and behavioral patterns of malware. These patterns of sophisticated malware can be obtained with the help of Function Call Graphs (FCGs). However, to effectively cover numerous groups of families of malware, it is required to have a sufficiently large dataset for the system to operate on. In order to ensure accuracy and robustness of the system, the dataset should comprise samples of different malwares and a benign application for secure execution of the detection process. This paper introduces AMD-FCG, an enhanced Function Call Graph dataset integrated with topological features of malwares. The framework enhances the detection procedure, streamlining the workflow for cybersecurity professionals and also eliminating the need for dynamic analysis and extensive processing. Therefore, it can be used to develop and deploy more efficient and innovative malware detection systems.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.06815v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13780v1cs.CV공통 태그 Anomaly Detection, Classification

형광 현미경 이미지에서 극히 희귀한 사멸 세포의 검출

Detection of extremely rare dead cells in fluorescence microscopy images

형광 현미경 관찰에서 사멸 세포 검출은 표현형 스크리닝과 약물 효능 평가에 필수적입니다. 그러나 신호 가변성, 광학 인공물(optical artifact), 여러 채널 간 공국재화(colocalization) 모호성으로 인해 자동 식별은 여전히 어렵습니다. 세포핵 경계를 정의하는 마커는 세포사멸(apoptotic) 마커와 공간적 또는 시간적으로 깔끔하게 일치하지 않습니다. 더욱이 마커 축적 동역학은 개별 세포 및 세포사멸 단계마다 다르므로 범용 임계값을 신뢰하기 어렵습니다. 본 논문에서는 핵 염색 검체에서 세포사멸 세포를 검출하기 위한 여러 전산적 접근 방식에 대한 체계적인 비교를 제시합니다: (1) 강도 임계값, 분포, 상관관계 및 도메인 지침을 사용하는 휴리스틱 방법; (2) 수치적 특징(로지스틱 회귀, 랜덤 포레스트, XGBoost 및 LightGBM)과 이미지 특징(ResNet-18 및 EfficientNet-B0)을 사용하는 분류; (3) 마찬가지로 수치적 특징(격리 포레스트, 원클래스 SVM 및 PCA 재구성)과 이미지 특징(합성곱 오토인코더 및 Deep SVDD)을 사용하는 이상 탐지. 수작업으로 주석이 달린 243개의 실측값(ground truth) 사멸 세포를 포함하여 여러 장면에 걸쳐 65,527개의 세포/핵이 포함된 258개 이미지 데이터셋을 사용하여, PR-AUC, 정밀도, 재현율, F1-score 및 macro-F1과 같은 지표로 각 방법을 평가합니다. 연구 결과에 따르면 이미지 특징을 사용하는 분류(심층 학습)와 수치적 특징을 사용하는 분류(전통적 방식)가 가장 우수한 성능을 달성했으며, ResNet-18과 XGBoost가 수작업으로 설계된 휴리스틱 및 이상 탐지 방법보다 크게 우수한 성과를 보였습니다. 이러한 연구 결과는 최첨단 전산 및 학습 기법으로도 이러한 생의학 문제를 해결하는 것이 여전히 매우 까다롭다는 점을 보여줍니다. 우리는 도메인 과학자를 돕는 보조 도구로서 완전 자동 방식이나 인간 참여형(human-in-the-loop) 설정 모두에서 연구자들에게 효과적인 의사결정 지원 도구를 제공하는 것을 목표로 합니다.

arXiv:2610.02048v1cs.AI공통 태그 Anomaly Detection, Classification

HydroJEV: 상수도 관망의 사이버 공격 및 고장 원인 규명을 위한 1초 소요 무학습 선별 모델

HydroJEV: A one-second, training-free screen for cyber-attack and fault attribution in water distribution networks

상수도 관망에서 SCADA 경보가 발생했을 때, 운영자는 그것이 사이버 공격, 물리적 고장, 정상적인 과도 현상, 또는 센서 결함 중 무엇을 반영하는지 신속하게 판단해야 합니다. 지도학습 분류기는 수도 사업자가 거의 보유하지 못한 라벨링된 사고 데이터를 필요로 하며, 프론티어 대규모 언어 모델(LLM)은 결정당 수십 초가 소요됩니다. 본 연구에서는 약 1초 만에 클래스 확률을 반환하는 무학습(training-free) 모델인 Jev가 이러한 분류의 1단계 선별 역할을 수행할 수 있는지 검증했습니다. EPANET의 C-Town 네트워크를 기반으로 구축된 4개 클래스 원인 규명 벤치마크에서, 사전 등록된 4회의 블라인드 라운드 동안 동일한 증거를 바탕으로 Jev를 수작업 규칙 트리, 지도학습 분류기, 그리고 7개의 클라우드 LLM과 비교했습니다. 무라벨 사전 보정(label-free prior correction)만으로도 Jev는 4개 라운드 전체에서 규칙 트리와 동등한 성능(분포 내 매크로 F1 0.62-0.64 대 0.56-0.61)을 보였으며, 라벨에 포함되지 않은 이벤트 하위 유형에서는 지도학습 분류기를 0.36-0.42 앞섰고, 클래스당 라벨링된 이벤트가 약 4개 미만일 때마다 분류기보다 우수한 성능을 나타냈습니다. 또한 Jev는 프론티어 LLM보다 20~40배 더 빠르게 결정을 내렸습니다. 규칙 트리로 확인된 Jev의 정상 판정만을 채택함으로써 매크로 F1의 손실 없이 새로운 블라인드 세트에서 LLM 검토자의 윈도우 작업을 35~38% 줄일 수 있었습니다. 추가적인 두 개 관망에 변경 없이 전이되었을 때도, 이 게이티드 캐스케이드(gated cascade)는 4개 세트 모두에서 검토자의 비열등성 마진(non-inferiority margin) 내를 유지했습니다. 따라서 빠르고 학습이 필요 없는 선별 모델은 정밀한 검토의 정확도를 유지하면서도 SCADA 이상 분류 검토 부담의 약 3분의 1을 대신 처리할 수 있습니다.

arXiv:2609.27069v1cs.SE공통 태그 Anomaly Detection, Graph Neural Network

마이크로서비스 근본 원인 분석에서 그래프 구조는 제 몫을 하고 있는가? RCAEval에 대한 통제된 연구 및 해당 벤치마크가 실제로 측정한 것

Does Graph Structure Earn Its Place in Microservice Root-Cause Analysis? A Controlled Study on RCAEval, and What the Benchmark Was Really Measuring

그래프 신경망(GNN)은 마이크로서비스 근본 원인 분석(RCA)에 관한 최근 연구를 지배하고 있으나, 최신 연구 결과들은 그래프의 기여 여부에 의문을 제기합니다. 이러한 결과들은 파이프라인 전체를 비교하므로 평면(flat) 모델이 우세할 때 구조가 불필요한 것인지 혹은 중복된 것인지 구별할 수 없습니다. 우리는 RCAEval에서 이들이 시사하는 비교를 수행합니다. 즉, 동일한 특징, 최적화기(optimiser), 검증(validation) 분할, 조기 종료 규칙 및 점수 산출 헤드를 공유하며 단일 항으로만 그래프 군을 구분하는 세 가지 학습 군을 구성했습니다. 두 개의 RCAEval 벤치마크(benchmark), 두 개의 토폴로지 소스 및 네 가지 체제 전반에 걸쳐 신뢰할 만한 그래프 특화 효과를 발견하지 못했습니다. 분포 내(in-distribution)에서 그래프 모델(model)은 기존 평면 모델을 Avg@5 기준 0.003 앞서는 데 그쳤습니다(p = 0.844, n = 6개 서로소 폴드). 파이프라인을 감사한 결과 해당 벤치마크의 모든 결과를 좌우하는 두 가지 특성이 드러났습니다. RCAEval은 원격 측정(telemetry)에서 12개에서 70개의 서비스를 노출하면서도 시스템당 단 5개의 서비스에만 장애를 주입하며, 주요 지표는 Avg@5입니다. 즉, 원격 측정을 전혀 읽지 않는 순위 산출기조차 홀드아웃된 인시던트의 99.7%에서 실제 원인을 상위 5개 내에 배치하여 0.488의 Avg@5를 기록했습니다. 균등 무작위(uniform-random)의 0.137이 아닌 바로 이 사전 확률(prior)이 진정한 분포 내 바닥(floor)이며, 이는 여러 시스템 전반에서 0.192로 급감합니다. 두 번째 특성은 대부분의 RE1 사례에서 원격 측정을 조용히 0으로 만들어 버리는 불균일한 컬럼 스키마입니다. 우리는 발표된 기준선(baseline)이자 RCAEval 자체의 참조 구현인 BARO를 재현했습니다. 깨끗한 스키마를 가진 단 하나의 시스템에서 이는 다른 점수 산출 규칙 하에 우리 휴리스틱과 0.004 이내의 유사한 종합 정확도에 도달했습니다. 이러한 감사를 바탕으로 새로운 모델을 제안했습니다. PSC-GRCA는 후보 점수를 시스템 사전 확률, 원격 측정 증거, 그리고 중심화된 그래프 잔차로 분리하며, 평면 기준선의 0.864 대비 평균 Avg@5 0.915에 도달하는 한편, 소거 연구(ablation) 결과 향상의 대부분이 그래프보다는 사전 확률 항에서 비롯됨을 확인했습니다. 마지막으로, 기록된 62개의 결함에서 도출한 그래프 대 평면 소거 연구를 위한 12개 항목의 체크리스트를 제시하며 마무리합니다.

arXiv:2609.26990v1cs.CR공통 태그 Anomaly Detection, Classification

네트워크 트래픽 Natural Visibility Graph 표현에서 사이버 공격 클래스의 위상학적 시그니처

Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic

Natural Visibility Graph(NVG) 기반 표현은 순차적 네트워크 트래픽에서 구조적 패턴을 포착하는 유망한 접근법을 제공한다. 그러나 서로 다른 사이버 공격 클래스가 이러한 표현에서 구별되는 위상학적 시그니처를 보이는지는 여전히 충분히 밝혀지지 않았다. 본 연구는 CSE-CIC-IDS2018 데이터셋을 사용하여 NVG 기반 네트워크 트래픽 표현의 판별력과 구조적 특성을 조사한다. 76개의 수치형 트래픽 특징을 40관측치의 겹치는 프레임 안에서 각각 NVG로 변환하였고, 각 그래프에서 10개의 그래프 이론적 지표를 추출하여 프레임당 760개의 위상학적 기술자(descriptor)를 얻었다. 이러한 표현의 판별력은 계층화 5-fold 교차검증(stratified five-fold cross-validation)을 적용한 다중 분기 합성곱 신경망(CNN)으로 평가하였다. 모델은 평균 정확도 96.20%와 Matthews 상관계수(MCC) 0.9566을 달성하였다. 클래스별 위상학적 차이를 특성화하기 위해 Kruskal-Wallis 및 Mann-Whitney U 검정을 Benjamini-Hochberg false discovery rate(FDR) 보정과 효과 크기 측정과 결합하였다. 공격 대 정상(benign) 비교 10,640건 중 7,777건(73.1%)이 FDR 보정 후에도 통계적으로 유의하였으며, 4,844건에서 Cliff's delta 효과가 크게 나타났다. 가장 강한 전역적 차이는 주로 역방향 트래픽 및 패킷 길이 관련 특징과 연결성, 클러스터링, 중심성 지표의 결합과 관련되었다. 이러한 결과는 NVG 기반 표현이 강한 판별력을 제공할 수 있으며, 서로 다른 사이버 공격 클래스와 연관된 클래스 의존적 위상학적 패턴을 드러낼 수 있음을 시사한다.

arXiv:2609.26737v1cs.SI공통 태그 Anomaly Detection, Graph Neural Network

확산 유도 공간 어텐션 기반 중첩 커뮤니티 탐지

Diffusion-Induced Spatial Attention Overlapping Community Detection

중첩 커뮤니티 탐지는 노드가 여러 구조적 또는 기능적 그룹에 동시에 속하는 네트워크를 모델링하는 데 필수적이다. 기존 그래프 신경망 접근법은 일반적으로 국소 메시지 패싱에 의존하는데, 이는 스무딩(smoothing)으로 인해 커뮤니티 경계를 흐릴 수 있으며 구조적으로 관련된 장거리 의존성의 표현을 제한한다. 본 논문에서는 영향력 확산 동역학에서 도출한 구조적 사전 분포(structural prior), 희소 멀티헤드 어텐션, 비음수 커뮤니티 소속도 학습을 결합한 딥러닝 프레임워크인 DISCO(Diffusion-Induced Spatial Attention Community Detection)를 제안한다. 이 사전 분포는 직접 인접한 이웃 너머의 후보 상호작용을 식별하고 구조적 근접도에 따라 어텐션에 편향을 부여하며, 베르누이-푸아송(Bernoulli-Poisson) 엣지 재구성 목적 함수는 노드 속성, 구조적 프로파일 또는 이 둘 모두로부터 중첩 커뮤니티를 추론할 수 있게 한다. 벤치마크 실험 결과, DISCO는 다양한 입력 구성에서 기존의 그래프 합성곱 및 그래프 어텐션 접근법과 대등한 성능을 보였다. 실용적 적용 가능성을 보이기 위해, 연속된 통신 네트워크 스냅샷에서 추론한 커뮤니티 할당 간의 변화가 해석 가능한 이상 징후 신호를 제공하는 사이버 보안 사용 사례를 개념 증명(proof-of-concept)으로 제시한다. 시간적 커뮤니티 유사도는 구조적 이탈을 식별하고, 노드 수준의 기여도는 이와 관련된 장치를 찾는 데 도움을 준다. 따라서 DISCO는 중첩 커뮤니티 탐지를 위한 유연한 방법이자 동적 네트워크의 구조적 변화를 분석하기 위한 기반을 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.