Earticle

본 논문은 빠르게 발전하고 있는 무선통신시스템에서 중요시되는 보안을 강화시키며 신뢰성 있는 통신을 가능하게 하는 MCC(M-sequence Convolution Code)채널부호기 설계를 제안한다. 제안한 부호기는 기존의 채널부호기가 가지는 오류 정정 특성뿐 아니라 정보데이터에 대한 비화성질을 부가하여 인증된 사용자만 접근할 수 있는 부호기이다. 제안한 부호기의 특성은 M부호열의 특성 중 평형특성을 이용함으로써 콘볼루션부호기의 출력부를 변화시켜 부호열을 얻는 물리계층의 보안 시스템이다. M부호열과 콘볼루션부호기를 사용함으로써 기존의 CDMA시스템에서 추가적인 부분 없이 간단하게 설계할 수 있으며 현재 사용되고 있는 콘볼루션부호기와 비교하였을 때 연집오류의 극복으로 약 0.1dB의 부호화 이득을 얻었고, 비화성능으로 인증된 사용자만이 송신된 데이터를 복구 가능한 것을 검증하였다. 비인증 사용자의 접근에 있어서는 SNR의 변화에 상관없이 50% 이상의 오류율을 보인다. 따라서 기존의 콘볼루션부호기 대신 제안한 MCC부호기를 사용함으로써 비화성능과 높은 BER성능을 얻을 수 있다.

Wireless data transmission is vulnerable to attackers and hackers. Recently, the fast development of wireless communication systems seamlessly increase the demand for security in this area. Moreover, error correction is especially important because various kinds of interferences among wireless devices. In order to solve two above problems, we propose to apply MCC (M-sequence Convolutional Code) in the system which is able to protect information and correct errors. The proposed system can obtain higher secure property by randomly changing the output connections by the proposed M-sequence. Performance of the system is analyzed according to BER (Bit Error Rate) and secure levels. The simulation results revealed that we can get the coding gain of 0.1 dB over conventional convolution coding technique. The proposed algorithm is installed in physical layer and easily implemented. Another advantage of our proposed (M-sequence and convolutional code) is that it can be applied to CDMA (Code Division Multiple Access) communication system.

악성코드는 탐지 프로그램을 피해 기기들에게 피해를 유발한다. 기존의 악성코드 탐지 기법으로 이러한 새로운 악성코드를 탐지하는데 어려움을 겪는 이유는 서명 기반의 탐지 기법을 사용하기 때문이다. 이 기법은 기존 악성코드들 은 효과적으로 탐지하지만, 새로운 악성코드에 대해서는 탐지가 어렵다. 이러한 문제점을 인식하여, 휴리스틱 기법을 추 가적으로 사용한다. 이 논문에서는 딥러닝을 활용하여 악성코드를 탐지하는 기술에 대해 소개하여 새로운 악성코드를 탐지하는 기술에 대해서 제안한다. 또한, 악성코드를 탐지한다는 것은, 기기에서 실행 가능한 파일의 개수는 무수히 많으 므로, 지도학습 방식(Supervisor Learning)으로는 분명한 한계가 존재한다. 그렇기 때문에, 준지도 학습으로 알려진 SCAE(Stacked Convolution AutoEncoder)를 활용한다, 파일들의 바이트 정보들을 추출하여, 이미지화를 진행하고, 이 이미지들을 학습을 시켜, 학습 시키지 않은 10,869개의 악성코드, 3,442개의 비악성코드를 모델에 추론한 결과 정확 도를 98.84%을 달성하였다.

Malicious codes cause damage to equipments while avoiding detection programs(vaccines). The reason why it is difficult to detect such these new malwares using the existing vaccines is that they use “signature-based” detection techniques. these techniques effectively detect already known malicious codes, however, they have problems about detecting new malicious codes. Therefore, most of vaccines have recognized these drawbacks and additionally make use of “heuristic” techniques. This paper proposes a technology to detecting unknown malicious code using deep learning. In addition, detecting malware skill using Supervisor Learning approach has a clear limitation. This is because, there are countless files that can be run on the devices. Thus, this paper utilizes Stacked Convolution AutoEncoder(SCAE) known as Semi-Supervisor Learning. To be specific, byte information of file was extracted, imaging was carried out, and these images were learned to model. Finally, Accuracy of 98.84% was achieved as a result of inferring unlearned malicious and non-malicious codes to the model.