Convergence Security Journal (융합보안논문지)

Korea convergence Security Association (한국융합보안학회)
권호 표지
DOI QR코드

DOI QR Code

Analysis of Effects of Image Format on Detection Performance and Resource Usage in CNN-Based Malware Detection

CNN 기반 악성코드 탐지에서 이미지 형식이 탐지성능과 자원 사용에 미치는 영향 분석

  • 변성현 (국방대학교 국방과학학과) ;
  • 김영원 (국방대학교 국방과학학과) ;
  • 고관섭 (국방대학교 국방과학학과) ;
  • 이수진 (국방대학교 국방과학학과)
  • Received : 2021.09.28
  • Accepted : 2021.10.18
  • Published : 2021.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

Various image formats are being used when attempting to construct a malware detection model based on CNN. However, most previous studies emphasize only the detection or classification performance, and do not take into account the possible impact of image format on detection performance and resource usage. Therefore, in this paper, we analyze how the input image formats affect detection performance and resources usage when detecting android malware based on CNN. The dataset used in the experiment is the CICAndMal2017 Dataset. Subdataset extracted from the CICAndMal2017 Dataset were converted into images in four formats: BMP, JPG, PNG, and TIFF. We then trained our CNN model and measured malware detection performance and resource usage. As a result, there was no sifnificant difference between detection performance and the GPU/RAM usage, even if the image format changed. However, we found that the file size of the generated images varied by up to six times depending on the image format, and that significant differences occurred in the training time.

CNN 기반의 악성코드 탐지모델을 활용하기 위해 다양한 이미지 형식을 사용할 수 있다. 하지만 대부분의 기존 연구들은 최종적인 악성코드 탐지 및 분류 성능을 주로 강조하고 있으며, CNN에 입력되는 이미지의 형식이 모델의 성능과 자원 사용량에 미칠 수 있는 영향은 거의 고려하지 않는다. 이에 본 논문에서는 CNN을 기반으로 안드로이드 악성코드를 탐지하는 모델을 구축함에 있어 입력되는 이미지 형식이 탐지성능과 학습에 소요되는 자원의 사용량에 어떠한 영향을 미치는지를 분석하였다. CICAndMal2017 데이터세트를 사용하여 BMP, JPG, PNG 및 TIFF 4가지 형식의 이미지로 변환하고, 자체적으로 구축한 CNN 모델에 학습시킨 후 악성코드 탐지성능과 자원 사용량을 측정하였다. 그 결과 이미지 형식에 따른 이진분류 및 다중분류 성능과 GPU 및 RAM 사용량은 큰 차이를 보이지 않았다. 그러나 생성된 이미지의 파일 크기는 이미지 형식에 따라 최대 6배까지 차이가 났으며, 학습에 소요되는 시간에서도 유의미한 차이가 발생함을 확인하였다.

Keywords

References

  1. Canadian Institute for Cybersecurity, https://www.unb.ca/cic/datasets/andmal2017 
  2. A. H. Lashkari, A. F. A. Kadir, L. Taheri and A. A. Ghorbani. "Toward Developing a Systematic Approach to Generate Benchmark Android malware Datasets and Classification." 2018 International Carnahan Conference on Security Technology (ICCST), pp. 1-7, 2018. 
  3. S. Fallah and A. J. Bidgoly. "Benchmarking machine learning algorithms for android malware detection." Jordanian Journal of Computers and Information Technology (JJCIT), pp. 216-230. 2019. 
  4. Jinwon Kang, Soojin Lee, "Android Malware Detection Through the Conversion of Network Traffic to Images." The Korean Institute of Information Scientists and Engineers, vol. 47, pp. 761-768, 2020.  https://doi.org/10.5626/JOK.2020.47.8.761
  5. E. B. Karbab, M. Debbabi, A. Derhab, and D. Mouheb, "MalDozer: Automatic Framework for Android Malware Detection Using Deep Learning." Digital Investigation, vol. 24, pp.S48-S59, Mar.2018.  https://doi.org/10.1016/j.diin.2018.01.007
  6. Y. Kim, "Convolutional Neural Networks for Sentence Classification." Proc. of the Empirical Methods in Natural Language Processing, pp. 1746-1751, 2014. 
  7. X. Su, D. Zhang, W. Li and K. Zhao, "A Deep Learning Approach to Android Malware Feature Learning and Detection." 2016 IEEE Trustcom/BigDataSE/ISPA, pp. 244-251, Tianjin, 2016. 
  8. Z. Ma, H. Ge, Y. Liu, M. Zhao and J. Ma, "A Combination Method for Android Malware Detection Based on Control Flow Graphs and Machine Learning Algorithms." in IEEE Access, 7, pp.21235-21245, 2019.  https://doi.org/10.1109/ACCESS.2019.2896003
  9. Amin M., Tanveer T.A., Tehseen M., Khan M. and Khan F.A., "Anwar, S. Static Malware Detection and Attribution in Android Byte-code through an End-to-end Deep System." Future Gen. Comput. Syst. 102, pp. 112-126. 2020.  https://doi.org/10.1016/j.future.2019.07.070
  10. H. Han, S. Lim, K. Suh, S. Park, S. Cho and M. Park, "Enhanced Android Malware Detection: An SVM-Based Machine Learning Approach." 2020 IEEE International Conference on Big Data and Smart Computing(BigComp), pp. 75-81, Busan, Korea (South), 2020.