💻 computer science

TAH-GAN: Time-Aware Hybrid Generative Adversarial Network for Robust Android Malware Evasion

이 논문은 푸리에 시간 인코딩과 이중 게이트 품질 제어를 통합하여 미래 정렬된 안드로이드 악성코드 샘플을 생성함으로써, 기존의 비시간적 베이스라인 모델들과 비교하여 시간적 개념 드리프트 문제를 효과적으로 해결하고 우수한 회피율과 시간적 일관성을 달성하는 시간 인지형 하이브리드 생성적 적대 신경망인 TAH-GAN을 소개한다.

원저자: Daniel Jeremiah, Jalil Md D, Husnain Rafiq

게시일 2026-09-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Daniel Jeremiah, Jalil Md D, Husnain Rafiq

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

모바일 기기의 디지털 세계에서, 우리 기기를 보호하는 소프트웨어와 이를 파괴하기 위해 설계된 악성 프로그램 사이에는 끊임없이 조용한 전쟁이 벌어지고 있습니다. 수년 동안 보안 전문가들은 수천 개의 악성 소프트웨어 사례를 연구하여 위협을 포착하는 법을 배우는 인공지능의 한 형태인 머신러닝에 의존해 왔습니다. 그러나 이 방어 체계에는 근본적인 약점이 있습니다. 바로 과거에 갇혀 있다는 점입니다. 이러한 보안 시스템은 지난 몇 년간의 데이터로 학습되지만, 그들이 직면한 위협은 끊임없이 변화합니다. 새로운 휴대폰 운영 체제가 출시되고 해커들이 새로운 수법을 고안함에 따라, 프로그램의 모습과 그것이 위험한지 여부 사이의 관계는 시간이 흐름에 따라 변합니다. '개념 드리프트(concept drift)'라고 알려진 이 현상은, 작년의 범죄자를 기준으로 훈련된 보안 요원이 오늘 외형과 수법을 바꾼 범죄자를 인식하지 못할 수도 있음을 의미합니다. 연구자들의 과제는 단순히 이러한 새로운 위협을 잡아내는 것뿐만 아니라, 위협이 널리 퍼지기 전에 이를 예측할 수 있는 방어 체계를 구축하는 방법을 이해하는 것입니다.

한 연구팀은 모바일 보안의 시간과 변화라는 특정한 문제를 해결하기 위해 설계된 새로운 도구를 개발했습니다. 그들은 TAH-GAN, 즉 '시간 인지형 하이브리드 생성적 적대 신경망(Time-Aware Hybrid Generative Adversarial Network)'이라 불리는 시스템을 만들었습니다. 이 시스템이 무엇을 하는지 이해하려면, 미래의 공격에 대비하려는 보안 팀을 상상해 보십시오. 실제 해커가 공격하기를 기다리는 대신, 그들은 미래의 공격이 어떤 모습일지에 대한 가짜이지만 현실적인 사례들을 생성할 방법이 필요합니다. 이러한 가짜 사례를 만들기 위한 이전의 시도들은 데이터를 정적인 것으로 취급하여, 디지털 환경이 매일 변화한다는 사실을 무시했기 때문에 실패하는 경우가 많았습니다. 그러나 새로운 시스템은 시간 인지 능력을 갖추도록 구축되었습니다. 이 시스템은 단순히 오늘날의 악성코드가 어떻게 생겼는지를 배우는 것이 아니라, 악성코드가 어떻게 진화하는지를 배웁니다. 연구진은 데이터가 수집된 시점에 대한 정보를 시스템에 입력함으로써, 시스템이 미래와 일치하는 샘플을 생성할 수 있도록 했으며, 이를 통해 기존 보안 시스템이 알고 있는 과거의 데이터와 그들이 직면해야 할 미래의 위협 사이에 가교를 놓았습니다.

연구진은 데이터를 엄격하게 시간별로 분리한 방대한 양의 안드로이드 애플리케이션 컬렉션을 사용하여 이 새로운 접근 방식을 테스트했습니다. 그들은 오래된 애플리케이션으로 시스템을 학습시킨 다음, 이후 몇 년 동안 나타날 새로운 회피형 사례들을 생성하도록 요청했습니다. 결과는 놀라웠습니다. 연구진이 시간 요소를 무시한 기존의 다른 방식들과 이 시간 인지형 시스템을 비교했을 때, 그 차이는 명확했습니다. 기존 방식들은 시간의 관점에서 보았을 때 이상하거나 일관성이 없는 가짜 샘플을 만들어냈는데, 이는 마치 1990년대의 옷을 입고 2024년의 스마트폰을 들고 있는 사람과 같았습니다. 반면, 새로운 시스템은 실제 미래의 악성코드와 구별할 수 없을 정도의 샘플을 생성했습니다. 테스트에서 생성된 샘플의 거의 대부분, 구체적으로 99.8%가 두 가지 핵심 검사를 통과했습니다. 즉, 탐지기를 속일 만큼 충분히 실제처럼 보였으며, 속이려 했던 보안 시스템에 의해 성공적으로 안전한 것으로 분류되었습니다. 이 높은 성공률은 연구진이 생성된 샘플을 이전에 본 적 없는 다른 유형의 보안 소프트웨어에 대해 테스트했을 때도 유효하게 유지되었으며, 이는 이 공격이 특정 프로그램 하나만을 겨냥한 일시적인 현상이 아님을 증명했습니다.

또한 이 연구는 시간 요소가 이러한 성공의 가장 결정적인 요인임을 밝혀냈습니다. 연구진이 시스템에서 시간 인지 구성 요소를 제거했을 때, 생성된 샘플의 품질은 크게 떨어졌습니다. 시간 인지 기능이 없는 시스템은 일반적인 의미에서는 일관성이 있었으나, 미래 시대의 특정한 패턴을 포착하는 데는 실패했습니다. 이 발견은 보안 시스템이 효과적으로 남기 위해서는 단순히 정적인 데이터베이스로부터 학습하는 것이 아니라, 변화의 리듬을 이해해야 한다는 점을 시사합니다. 연구진은 파동을 이용한 수학적 기법을 사용하여 시간의 흐름을 인코딩함으로써, 시스템이 연도 간의 전환을 부드럽게 처리하고 특징들이 어떻게 변화할지 예측할 수 있도록 했습니다. 이러한 접근 방식 덕분에 연구진은 미래의 보안 시스템을 더욱 견고하게 훈련하는 데 사용할 수 있는 170만 개 이상의 고품질 시간 정렬 샘플 데이터셋을 구축할 수 있었습니다.

궁극적으로, 이 작업은 모바일 보안을 스트레스 테스트할 수 있는 새로운 방법을 제공합니다. 현실적이고 미래에 부합하는 악성코드 사례를 생성함으로써, 방어자들은 실제 공격자가 시스템을 악용하기 전에 취약점을 식별할 수 있습니다. 연구진은 자신들의 코드를 공개하고 생성된 대규모 데이터셋을 대중에게 제공하여, 다른 과학자들이 결과를 검증하고 이를 바탕으로 연구를 발전시킬 수 있도록 했습니다. 이 시스템은 데이터 특징 수준에서 작동하며 아직 완전히 설치 가능한 애플리케이션을 생성하는 단계는 아니지만, 끊임없이 진화하는 위협에 맞서 어떻게 방어할 것인지 이해하는 데 있어 중요한 진전을 의미합니다. 연구는 시간이라는 차원을 무시하는 것이 보안 시스템을 취약하게 만들지만, 생성 과정에 시간을 직접 통합함으로써 다음에 올 것에 대비할 수 있는 방어 체계를 만드는 것이 가능하다는 결론을 내립니다.

기술 요약: 강건한 안드로이드 악성코드 회피를 위한 TAH-GAN

문제 정의
머신러닝 기반의 안드로이드 악성코드 탐지기는 시계열적 개념 드리프트(temporal concept drift) 문제로 인해 어려움을 겪고 있습니다. 이는 과거 데이터로 학습된 모델이 향후 운영 시기에 등장하는 새로운 변종을 탐지하지 못하는 현상을 의미합니다. 실증적 증거에 따르면, 훈련 데이터와 테스트 데이터를 시간 순서에 따라 엄격히 분리할 경우 분류기 정확도가 최대 46퍼센트 포인트까지 하락할 수 있습니다. 적대적 머신러닝(adversarial machine learning)이 회피 샘플을 생성하는 데 사용되어 왔으나, 기존의 생성적 적대 신경망(GAN)은 특징 벡터를 정적이고 맥락이 없는 표현으로 취급합니다. 결과적으로, 이들은 (예: 특정 연도의 권한 패턴과 다른 연도의 API 호출을 결합하는 등) 시계열적으로 일관되지 않은 샘플을 생성하며, 이는 시간적으로 격리된 평가 환경에서 실패하게 됩니다. 기존 문헌에는 중요한 공백이 존재합니다. 즉, 드리프트 인지형(drift-aware) 방어 재학습에 적합한 **미래 지향적(future-aligned)**이고 시계열적으로 일관된 적대적 악성코드 샘플을 생성하는 프레임워크가 아직 없습니다.

방법론: TAH-GAN 프레임워크
저자들은 현실적이고, 회피 가능하며, 시계열적으로 일관된 적대적 샘플을 생성하도록 설계된 프레임워크인 TAH-GAN(Time-Aware Hybrid Generative Adversarial Network)을 제안합니다. 이 시스템은 증강된 시계열 표현 $v(x, t) = [x \parallel \phi(t)]$ 상에서 작동하며, 여기서 $x$ 는 악성코드 특징 벡터이고 $\phi(t)$ 는 푸리에 인코딩된 시간 조건입니다.

푸리에 시계열 인코딩 (Fourier Temporal Encoding): 기존 생성기의 정적인 특성을 해결하기 위해, TAH-GAN은 생성기 $G$ 가 17차원 시간 벡터 $\phi(t)$ 를 조건으로 갖도록 합니다. 이 벡터는 다음을 결합합니다:
- 주기적 변화를 포착하기 위해 정규화된 달력 연도 $\tau_y(t)$ 로부터 유도된 8개의 사인 및 코사인 함수 조화파(harmonics).
- 단조적 진행을 보존하는 정규화된 Unix 타임스탬프 $\tau_u(t)$ .
  이러한 인코딩을 통해 생성기는 특정 목표 시간 기간에 정렬된 특징 분포를 합성할 수 있습니다.
구조 및 학습:
- 생성기 ( $G$ ): 잠재 노이즈 $z$ 와 시간 조건 $\phi(t)$ 를 입력받아 합성 특징 벡터 $\tilde{x}$ 를 생성하는 4개 층의 MLP입니다.
- 판별기 ( $D$ ): 증강된 벡터 $v(\tilde{x}, t)$ 의 현실성을 평가하는 WGAN-GP(Wasserstein GAN with Gradient Penalty) 크리틱입니다. 이는 생성된 샘플이 실제 악성코드 분포와 유사하도록 보장하는 현실성 목적 함수를 제공합니다.
- 분류기 ( $C$ ): 고정된(frozen) 타겟으로 사용되는 사전 학습된 다층 퍼셉트론(MLP)입니다. 이는 샘플이 악성일 확률을 계산하여 회피 목적 함수를 제공합니다. 생성기는 현실성 제약 조건을 만족하면서 이 확률을 최소화(즉, 회피를 극대화)하도록 학습됩니다.
- 손실 함수: 생성기는 $L_G = -\lambda_R E[D(v_g)] + \lambda_E E[\sigma(C(v_g))]$ 라는 결합 손실을 최소화하며, 이를 통해 현실성과 회피 사이의 균형을 맞춥니다.
2단계 품질 관리 (QC):
전체 생성 샘플 배치를 릴리스하기 전, TAH-GAN은 파일럿 배치 테스트를 수행합니다. 체크포인트는 다음 두 가지 임계값을 동시에 충족하는 경우에만 릴리스됩니다:
- 현실성 게이트 (Realism Gate): 최소 98%의 샘족이 $D(v) \geq 0$ 을 만족함.
- 회피 게이트 (Evasion Gate): 최소 98%의 샘플이 $\sigma(C(v)) < 0.5$ 를 만족함.
  이는 최종 데이터셋이 단순히 평균적인 성공률이 아니라, 현실적이면서도 동시에 회피 가능한 샘플들로 구성되도록 보장합니다.

주요 기여

최초의 시간 인지형 GAN: TAH-GAN은 시계별 격리 평가 설정 하에서 미래 지향적 적대적 악성코드를 생성하기 위해 푸리에 시계열 인코딩을 구체적으로 통합한 최초의 GAN 기반 프레임워크입니다.
드리프트 인지형 재학습 지원: 이 프레임워크는 드리프트 문제를 단순한 다운스트림 모델링 이슈로 취급하는 대신, 이를 명시적으로 해결하는 "하드 네거티브(hard negatives)" 역할을 하는 샘플을 생성합니다.
이중 게이트 품질 관리: (현실성 + 회피)의 2단계 QC 워크플로우 도입을 통해 고충실도 생성을 보장하며, 어느 한 쪽의 제약 조건이라도 통과하지 못하는 샘플을 거부합니다.
오픈 리소스: 저자들은 구현 코드, 실험 스크립트, 그리고 품질 관리가 완료된 1,757,645개의 고정된 출력 데이터셋을 공개합니다.

실험 결과
본 프레임워크는 시계열적으로 격리된 훈련-테스트 분할을 사용하여 KronoDroid(동적 시스템 콜) 및 AndroMD(정적 특징: MNF, KeyCount, ZeroOne) 데이터셋에서 평가되었습니다.

베이스라인 대비 성능: TAH-GAN은 베이스라인(CTGAN, DoPGAN, 표준 EGAN)을 크게 상회했습니다.
- 균형 게이트 점수 (BGS): TAH-GAN은 **99.7%**를 달성하였으며, 이는 CTGAN(88.5%)과 DoPGAN(87.2%)보다 높습니다.
- 결합 게이트 통과율 (JGR): 모든 고정된 출력에 대해 엄격하게 재계산한 결과, **99.816%**의 샘플이 현실성과 회피 게이트를 동시에 통과했습니다.
- 시계열 일관성: TAH-GAN은 0.91의 시계열 일관성 점수를 기록한 반면, 비시계열 베이스라인(CTGAN, DoPGAN)은 0.12에 그쳤습니다.
회피 효과: 베이스라인 분류기에 주입되었을 때, TAH-GAN은 평균적으로 탐지율(재현율)을 약 98.1%에서 **0.5%**로 감소시켰습니다.
전이성 (Transferability): MLP 타겟을 회피하도록 생성된 샘플은 보지 못한 아키텍처(CNN1D, LSTM, ResNet)에 대해서도 **82–87%**의 회피율을 달져, 아키텍처에 무관한 효과를 입증했습니다.
절제 연구 (Ablation Studies): 시계열 인코딩을 제거했을 때 BGS가 2.0 퍼센트 포인트 감소하여 푸리에 조건화의 필요성을 확인했습니다. 품질 관리를 제거했을 때 가장 큰 하락(5.0 퍼센트 포인트)이 발생했습니다.

의의 및 주장
본 논문은 TAH-GAN이 악성코드 탐지기의 시계열적으로 진화하는 결정 경계의 약점을 드러낸다고 주장합니다. 미래의 악성코드 분포에 정렬된 샘플을 생성함으로써, 이 프레임워크는 개념 드리프트에 대한 방어 체계를 스트레스 테스트하고 재학습시키기 위한 강력한 메커니즘을 제공합니다.

저자들은 TAH-GAN을 실제 운영 중인 백신 스택(종종 시그니처 기반 또는 하이브리드 접근 방식 사용)을 무력화하기 위한 도구가 아니라, ML 기반 탐지기를 위한 보안 평가 도구로 정의합니다. 생성된 데이터셋은 연구자들이 드리프트 인지형 재학습을 연구하고 미래의 탐지 시스템의 강건성을 개선할 수 있도록 돕는 재현 가능한 자원으로 활용됩니다. 본 연구는 시계열적 조건화 없이는 적대적 생성기가 일관되지 않은 샘플을 생성하여, 진화하는 악성코드의 실제 위협 환경을 제대로 나타내지 못한다는 점을 강조합니다.

기술 요약: 강건한 안드로이드 악성코드 회피를 위한 TAH-GAN

유사한 논문