머신러닝 기반 악성 파일 탐지와 ATT&CK 시각화 연구

Machine Learning-Driven Malicious File Detection with MITRE ATT&CK Visualization

연구 내용

머신러닝을 활용해 악성 파일을 탐지하고 MITRE ATT&CK 프레임워크와 연동하여 분석 결과를 시각화하는 연구

인터넷 환경에서 알려지지 않은 악성코드 증가로 인해 기존 시그니처 중심 탐지의 한계를 보완하기 위한 연구를 수행합니다. 악성 파일을 분류하기 위해 랜덤 포레스트, AdaBoost, 서포트 벡터 머신 계열을 포함한 머신러닝 모델을 적용하고, 동적 분석 결과를 바탕으로 탐지 성능을 향상시키는 방향을 검토합니다. 또한 탐지 결과를 MITRE ATT&CK 매트릭스와 연결해 악성 행위를 전술-기법 관점에서 해석 가능하도록 시각화 절차를 설계합니다. 이를 통해 보안 분석 과정에서 분류와 원인 분석 사이의 간격을 줄이는 적용 가능성을 제공합니다.

관련 프로젝트

0건

연구 흐름

초기에는 악성코드 파일 특성과 분류 모델의 학습 구조를 정리하고, 알려진 데이터에서 탐지 정확도를 높이기 위한 모델 조합을 탐색했습니다. 이후 동적 분석 기반 결과를 MITRE ATT&CK 프레임워크에 연결하는 매핑 절차를 설계해, 탐지 결과를 행동 관점에서 해석하도록 확장했습니다. 이후에는 분류 성능과 시각화 품질이 함께 확보되도록 데이터 전처리와 시각화 표현 방식을 조정했습니다. 최근에는 시각화 기반 분석이 실제 분석가의 의사결정에 유용하도록 실증적 적용 흐름을 정리하는 방향으로 연구를 진행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

동적 분석 기반 멀웨어 분류
PE 패턴 기반 악성 파일 탐지
ATT&CK 전술-기법 리포트 자동화
스트림 로그-행위 맵핑
위협 헌팅 절차 자동화
샌드박스 결과 통합 분석
모델 성능 모니터링 체계
오탐 억제를 위한 후처리
보안제품 성능 평가용 워크플로
악성코드 분석 교육 데이터셋