규칙 기반 분류기 표현을 활용한 진화하는 멀웨어 가족의 개념 드리프트 탐지

본 연구는 결정 트리 규칙 집합 (decision tree rulesets) 을 사용하여 멀웨어 분류에서의 개념 드리프트 (concept drift) 탐지를 위한 구조적 접근법을 제안합니다. 분류기는 EMBER2024 데이터셋의 시간적 윈도우 (temporal windows) 를 걸쳐 학습되며, 추출된 규칙 표현 (rule representations) 을 특징 중요도 (feature importance), 예측 일치도 (prediction agreement), 활성화 안정성 (activation stability), 그리고 커버리지 지표 (coverage metrics) 를 사용하여 드리프트를 정량화합니다. 이러한 지표들은 정확도 저하 (accuracy degradation) 와 데이터 분포 이동 (data distribution shift) 과 상관관계가 있어 보조적인 드리프트 지표로 활용됩니다. 본 접근법은 가족 대 무해 (family-vs-benign) 및 가족 대 가족 (family-vs-family) 설정에서 고정 간격 (fixed-interval) 윈도우링과 클러스터링 기반 (clustering-based) 윈도우링을 적용하여 6 가지 멀웨어 가족에 걸쳐 평가되었으며, RIPPER 와 Transcendent 베이스라인과 비교되었습니다. 결과는 고정된 2 개월 윈도우링과 특징 수준 피어슨 상관관계 (feature-level Pearson correlation) 가 가장 신뢰할 수 있는 구성임을 보여주며, 모든 가족 쌍에서 양의 드리프트-정확도 상관관계를 생성하는 유일한 구성입니다. 이러한 방법들은 상호 보완적이며, 모든 쌍에 걸쳐 단일 접근법이 우세하지는 않습니다.