본 논문에서는 딥러닝을 통해 다양한 악성 코드의 파일 접근 행태를 학습하고 이를 실시간으로 탐지하는 방법을 제안하였다. 기존의 정적 코드 분석과 달리, 본 연구에서는 독립된 가상 머신 상에서 실제 악성 코드를 동작시키고, 이 코드가 파일 시스템에 접근하는 시스템 콜 패턴과 경향을 수집하여 이를 학습에 활용하였다. 특히, 주요 파일 보호를 위해 FUSE 기반의 사용자 공간 파일 시스템을 이용함으로써, 커널의 수정없이 파일 및 디렉토리에 대한 접근 정보를 수집할 수 있도록 설계하였다. 비교적 긴 입력 패턴의 순차성을 효과적으로 학습시키기 위해, 개선된 RNN 모델인 LSTM 네트워크를 사용하였다. 데이터 셋으로는, 기존 연구에서 활용된 악성 코드 샘플에서 5종을 선정하고, 4,500개의 악성 및 양성 코드 패턴을 생성하였다. 분류 성능은 92.2%의 accuracy를 나타내 기존 기계학습보다 3.8 ~ 44.7%의 향상을 보였다.

본 논문에서는 PAN(전지구적 규모에 준하는)급 센서가 풍부한 모바일 컴퓨팅 플랫폼을 위한 능동적 자원 오케스트레이션 프레임워크인 Orchestrator를 제시한다. 이 플랫폼은 모바일 폰에 연결된 다양한 센싱 장치를 통합하여 개인의 상황 맥락(context)을 인지하는 애플리케이션을 수용할 수 있는 공통 기반으로 활용된다. 플랫폼의 주요 과제는 자원이 극히 희소하고 동적으로 변하는 환경에서, 지속적이며 복잡한 상황 맥락 처리를 요구하는 동시 애플리케이션을 동시에 지원하는 것이다. 이러한 과제를 해결하기 위해, 우리는 분산된 모바일 및 센서 장치들에 걸쳐 애플리케이션의 자원 사용을 능동적으로 조정하는 Orchestrator를 구축한다. 핵심 접근으로서, Orchestrator는 애플리케이션 요청에 대해 다수의 대안적 실행 계획을 사전에 준비하고, 런타임에서 자용 가능성(resource availability)과 요구(demands)에 따라 이를 선택적으로 적용하는 능동적 자원 사용 오케스트레이션을 채택한다. 이러한 선택 과정은 애플리케이션 간의 자원 경합을 해결하고, 애플리케이션이 자원을 효율적으로 공유하도록 돕는다. 이와 같은 시스템 수준의 지원을 통해, 애플리케이션은 희소한 자원 하에서 동적으로 변하는 상황에서도 장시간 지속되는 서비스를 제공할 수 있다. 또한 플랫폼은 자신의 전체 자원 역량을 활용함으로써 다수의 애플리케이션을 안정적으로 호스팅할 수 있다. 우리는 시중에서 구할 수 있는 모바일 기기와 센서 모트(sensor mote)를 기반으로 Orchestrator 프로토타입을 구현하고, 애플리케이션 지원성(application supportability) 및 자원 사용 효율성(resource use efficiency) 측면에서 그 효과를 입증한다.