(EN) A feature selection-based mobile malicious code classification method comprises the steps of: extracting API feature information including a package name, a class name, a method name, and a description from a malicious application, the category of which is determined; vectorizing a training dataset, generated by using the package name, the class name, and the method name among the API feature information, so as to enable deep learning of the training dataset; generating a classifier by learning the vectorized training dataset; classifying a target malicious application into a category for which the target malicious application is suitable, on the basis of a probability; and designating a category of the target malicious application by using a result of the classification, and outputting a classified important API. Accordingly, it is possible to quickly respond to a malicious action of a malicious application and prevent damage caused by the malicious action.
(FR) Un procédé de classification de code malveillant mobile basé sur une sélection de caractéristiques comprend les étapes consistant : à extraire des informations de caractéristique d'API comprenant un nom de paquet, un nom de classe, un nom de procédé et une description à partir d'une application malveillante, dont la catégorie est déterminée ; à vectoriser un ensemble de données de formation, généré à l'aide du nom de paquet, du nom de classe et du nom de procédé parmi les informations de caractéristique d'API, de façon à permettre un apprentissage profond de l'ensemble de données de formation ; à générer un classificateur par apprentissage de l'ensemble de données de formation vectorisé ; à classifier une application malveillante cible dans une catégorie à laquelle l'application malveillante cible est appropriée, sur la base d'une probabilité ; et à désigner une catégorie de l'application malveillante cible à l'aide d'un résultat de la classification, et à délivrer une API importante classée. Par conséquent, il est possible de répondre rapidement à une action malveillante d'une application malveillante et d'éviter des dommages causés par l'action malveillante.
(KO) 특성 선택에 기반한 모바일 악성 코드 분류 방법은, 카테고리가 정해진 악성 애플리케이션으로부터 패키지 명, 클래스 명, 메소드 명 및 디스크립션을 포함하는 API 특성정보를 추출하는 단계; 상기 API 특성정보 중 패키지 명, 클래스 명 및 메소드 명을 이용하여 생성한 트레이닝 데이터셋을 딥 러닝할 수 있도록 벡터화하는 단계; 벡터화된 트레이닝 데이터셋을 학습하여 분류기를 생성하는 단계; 타겟 악성 애플리케이션이 어떤 카테고리에 적합한지 확률로써 분류하는 단계; 및 분류 결과를 이용하여 타겟 악성 애플리케이션의 카테고리를 지정해주고 분류 중요 API를 출력하는 단계;를 포함한다. 이에 따라, 악성 애플리케이션의 악성 행위에 대해 빠르게 대처할 수 있고 악성 행위로 인한 피해를 방지할 수 있다. [대표도] 도 1
