Earticle

초록

영어

The rapid growth of malware has created serious cybersecurity challenges, as obfuscation, packing, and behavior-changing techniques make detection harder. Existing single-modality models often rely only on static binary features or dynamic traces, limiting their ability to capture structural and runtime characteristics. To address this limitation, this paper proposes an attention-enhanced multichannel framework for multimodal malicious code detection. The model uses a CNN-based channel for static byte-level features and an LSTM-based channel for dynamic API/system-call sequences. Before fusion, modality-specific attention is applied to emphasize key structural and behavioral patterns while suppressing less useful information. Experimental results show that the proposed model achieves 95.0% accuracy, 94.9% F1-score and 97.1% AUC, outperforming single-modality baselines and internal attention-ablation settings.

한국어

악성코드의 급속한 확산은 난독화, 패킹, 행동 변경 기법 등으로 인해 탐지가 어려워지면서 심각한 사이버 보안 문제를 야기하고 있다. 기존의 단일 모달리티 모델은 주로 정적 바이너리 특징이나 동적 트레이스에만 의존 하여, 구조적 및 런타임 특성을 포착하는 능력이 제한적이다. 이러한 한계를 해결하기 위해 본 논문은 다중 모달 악성 코드 탐지를 위한 어텐션 강화형 다중 채널 프레임워크를 제안한다. 이 모델은 정적 바이트 수준 특징을 위해 CNN 기반 채널을, 동적 API/시스템 호출 시퀀스를 위해 LSTM 기반 채널을 사용한다. 융합 단계에 앞서, 모달리 티별 어텐션을 적용하여 핵심적인 구조적 및 행동 패턴을 강조하는 동시에 유용성이 낮은 정보는 억제한다. 실험 결과, 제안된 모델은 95.0%의 정확도, 94.9%의 F1 점수, 97.1%의 AUC를 달성하여 단일 모달리티 기반 모델 및 내부 어텐션 제거 설정보다 우수한 성능을 보였다.

목차

Abstract
요약
1. Introduction
2. Related Works
2.1 Traditional and Deep Learning-based Malware Detection
2.2 Multimodal and Attention-based Malware Detection Methods
3. Design of the Multimodal Malicious Code Detection Model
3.1 Overview
3.2 Multimodal Feature Construction
3.3 Multichannel Network Architecture
3.4 Attention Mechanisms for Feature Fusion
4. Experiments and Analysis
4.1 Experimental Setup
4.2 Performance Evaluation
4.3 Ablation Study
4.4 Practical Deployment Discussion
5. Conclusion
REFERENCES

키워드

악성 코드 탐지 다중 모달 학습 딥 러닝 다중 채널 네트워크 어텐션 메커니즘 사이버 보안 Malicious Code Detection Multimodal Learning Deep Learning Multichannel Network Attention Mechanism Cybersecurity

저자

• Zhi Zeng [ 증지 | Student, Dept. of Computer and Media Engineering, Tongmyong University ]
• Ji-Hye Kim [ 김지혜 | Student, Dept. of Game Design, Kongju National University ]
• Seung-Soo Shin [ 신승수 | Professor, Dept. of Computer Engineering, Tongmyong University ] Corresponding Author

참고문헌

발행기관

간행물