이중 브랜치 일관성 학습 기반 안드로이드 악성 앱 탐지 = Dual-Branch Consistency-Based Android Malware Detection

국문 초록 (Abstract)

사이버보안 분야는 위협 환경의 급격한 변화와 신규 악성코드의 지속적인 등장으로 인해 대규모 라벨링 데이터 확보가 어렵고 비용이 많이 드는 라벨 희소성(label scarcity) 문제가 심화하고 있다. 본 논문은 이러한 환경에서 효과적인 악성 앱 탐지를 실현하기 위해 준지도학습(Semi-Supervised Learning, SSL) 기반의 안드로이드 악성 앱 탐지 기법을 제안한다. 제안 기법은 이미지 세분화(segmentation) 모델인 DeepLabV3+ 네트워크를 변형하여 APK 이미지에서 픽셀 단위 다중 스케일 특징을 추출하고, 약한 증강(weak augmentation)을 적용한 이중 브랜치 간 예측 일관성(consistency)을 학습에 반영함으로써 탐지 정확도와 라벨 효율성을 높인다. CICMalDroid2020 데이터셋에서 라벨 비율(Ratio of Labeled, ROL) 전반에 걸친 비교 실험 결과, 제안 기법은 동일 백본의 지도학습 및 재귀 의사라벨링 대비 일관된 우위와 안정적인 수렴을 보였으며, 비라벨 데이터의 구조적 신호를 활용해 일반화 성능을 효과적으로 강화함을 확인하였다.

다국어 초록 (Multilingual Abstract)

Cybersecurity faces escalating label scarcity due to rapidly changing threats and the continual emergence of new malware. To address this setting, we propose a semi-supervised learning (SSL) method for Android malware detection. The approach re-purposes the semantic-segmentation model DeepLabV3+ to extract pixel-level, multi-scale features from image-formatted APK files, and improves detection by enforcing prediction consistency between two parallel branches that receive weakly augmented views of the same input. On the CICMalDroid2020 dataset, across a range of label budgets (Ratio of Labeled, ROL), the proposed method shows consistent superiority over a supervised model and a recursive pseudo-labeling baseline and exhibits stable convergence. An analysis of learning curves indicates that the method effectively leverages structural signals from unlabeled data, enhancing training stability and generalization.