A Study on Deep Learning-Based Android Malware Detection and Classification = 딥러닝 기반 안드로이드 악성코드 탐지 및 분류에 관한 연구

다국어 초록 (Multilingual Abstract)

With the widespread use of mobile devices, Android has
become an important target for malware attacks because of its
open ecosystem and flexible permission mechanism. Based on
this background, this thesis designs and implements a deep
learning-based Android malware detection system. The system
uses fully connected layers and a lightweight attention
mechanism to process 470-dimensional behavior features from
Android samples. It also provides a Flask-based web interface,
through which users can upload CSV feature files, select a
detection model, and check the classification result.
Experiments on the CICMalDroid2020 dataset show that the
proposed model achieved 0.92 accuracy, with precision, recall,
and F1-score values of 0.90, confirming its usability in the
tested five-class classification task.

국문 초록 (Abstract)

모바일 기기의 보급과 함께 안드로이드 플랫폼은 개방적인 구
조와 유연한 권한 체계로 인해 악성코드 공격의 주요 대상이 되
고 있다. 이에 따라 본 논문에서는 CICMalDroid2020 데이터셋을
기반으로 딥러닝 기반 안드로이드 악성코드 탐지 및 분류 시스템
을 설계하고 구현하였다. 본 시스템은 470차원 행위 특성을 입력
으로 사용하며, 완전연결 신경망과 경량 어텐션 메커니즘을 결합
하여 중요한 특성을 학습하도록 구성하였다. 또한 Flask 기반 웹
인터페이스를 통해 사용자가 CSV 파일을 업로드하고 탐지 모델
을 선택한 뒤 결과를 확인할 수 있도록 하였다. 실험에서는 제안
모델을 Naive Bayes, SVM, Random Forest 모델과 비교하였다.
제안 모델은 정확도 0.92를 기록하였고, precision, recall,
F1-score는 각각 0.90으로 나타났다. 이는 제안 시스템이 5개 범
주의 악성코드 분류에서 안정적인 성능을 보일 수 있음을 의미한
다.

목차 (Table of Contents)

• Ⅰ. Introduction 1
• 1. Research Background and Significance 1
• 2. Research Status at Home and Abroad 4
• 가. Android Malware Analysis Process 4
• 나. Thesis Structure 12
• Ⅱ. Related Technologies and Theoretical Background 15
• 1. Overview of Android Malware 15
• 2. Related Detection Algorithms 17
• 가. Machine Learning Algorithms 17
• 나. Deep Learning Algorithms 21
• 3. System Architecture Tools 31
• 4. Summary of This Chapter 35
• Ⅲ. System Design and Development 37
• 1. System Requirements Analysis 37
• 2. System Function Design 38
• 3. Model Development Process 39
• 가. Model Dependencies 40
• 나. Feature Extraction Process of Android Samples 41
• 다. Data Collection and Preprocessing 42
• 라. Model Design 45
• 마. Training Process 52
• 4. Summary of This Chapter 55
• Ⅳ. System Implementation and Analysis 56
• 1. Interface Development Process 56
• 가. Backend Implementation 56
• 나. Frontend Implementation 58
• 2. System Function Demonstration 59
• 3. System Evaluation and Visualization Analysis 60
• 가. Visualization Methods and Evaluation Metrics 60
• 나. System Performance Analysis 63
• 4. Summary of This Chapter 68
• Ⅴ. Conclusion and Future Work 70
• 1. Summary of Work 70
• 2. Future Prospects 71
• References 73