特開 2023-2435 マルウェア検出の反復メモリ分析による機械学習

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023002435

(43)【公開日】2023-01-10

(54)【発明の名称】マルウェア検出の反復メモリ分析による機械学習

(51)【国際特許分類】

   G06F 21/56 20130101AFI20221227BHJP

【ＦＩ】

G06F21/56

G06F21/56 320

G06F21/56 360

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2021156496

(22)【出願日】2021-09-27

(31)【優先権主張番号】17/304,546

(32)【優先日】2021-06-22

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】313015247

【氏名又は名称】アクロニス・インターナショナル・ゲーエムベーハー

(74)【代理人】

【識別番号】100105957

【弁理士】

【氏名又は名称】恩田 誠

(74)【代理人】

【識別番号】100068755

【弁理士】

【氏名又は名称】恩田 博宣

(74)【代理人】

【識別番号】100142907

【弁理士】

【氏名又は名称】本田 淳

(72)【発明者】

【氏名】ウラジミール ストロゴフ

(72)【発明者】

【氏名】アレクセイ マラノフ

(72)【発明者】

【氏名】セルゲイ ウラセン

(72)【発明者】

【氏名】ヴィチェスラフ レフチェンコ

(72)【発明者】

【氏名】セルゲイ ベロウソフ

(72)【発明者】

【氏名】スタニスラフ プロタソフ

(57)【要約】      （修正有）

【課題】静的および動的分析を組み合わせて、暗号化ファイルを含む潜在的に悪意のあるファイルを分析するための反復実行可能ファイル分析に基づく機械学習静的分析部を訓練する方法、システム及びコンピュータ読み取り可能な記憶媒体を提供する。
【解決手段】機械学習の静的分析を訓練する方法において、実行可能ファイル５０２は、ファイル属性のツリー内に属性がまとめられ、元の静的ファイル属性５０４へフック１を適用し、属性５０８を復元する。フック２は、反復的に継続し、属性５１２及び属性５１４を復元する。フック３は、属性５１８、属性５２０及び属性５２２を復元する。元の静的ファイル属性及びフック１とフック３の結果は、機械学習分析部５２４に送信され分析される。
【選択図】図５

【特許請求の範囲】

【請求項1】

コンピュータに実装され、プロセッサ上で実行される反復実行可能ファイル分析に基づく機械学習静的分析部を訓練する方法であって、
ａ．信頼できないファイルからファイル属性を復元するステップと、
ｂ．信頼できないファイルの属性から属性のツリーを作るステップと、
ｃ．信頼できないファイルの暗号化されたデータブロックの少なくとも一つデータブロックの復号化を含んで、信頼できないファイルの動的分析を反復実行するステップと、
ｄ．信頼できないファイルコ－ドの実行中に暗号化されたデータブロックの少なくとも一つデータブロックを復号化するという動作をインターセプトするステップと、
ｅ．復号化されたデータブロックの少なくとも一つデータブロックを考慮して、信頼できないファイルのファイル属性のツリーを更新するステップと、
ｆ．信頼できないファイルコ－ドが実行されるまで、ステップ（ｃ）、（ｄ）および（ｅ）を繰り返するステップと、
ｇ．信頼できないファイルの更新されたファイル属性のツリーおよび分類されたファイル格納に基づく機械学習静的分析部を訓練するステップと、を含む方法。

【請求項2】

前記インターセプトするステップｄおよび前記更新するステップｅを３回以上繰り返すことを特徴とする請求項１に記載の方法。

【請求項3】

新しいまたは既存のメモリ内のデータブロックを復号化するステップをさらに含むことを特徴とする請求項２に記載の方法。

【請求項4】

前記ファイルと、前記ファイルの実行後に修正された第二の信頼できないファイルを分析するのステップをさらに含むことを特徴とする請求項１乃至３のいずれか１項に記載の方法。

【請求項5】

追加されたファイルデータを分析した後、ファイルの実行を凍結するステップをさらに含むことを特徴とする請求項４に記載の方法。

【請求項6】

所定の領域を実行可能にし、所定の領域に実行を切り替える工程をさらに含むことを特徴とする請求項１に記載の方法。

【請求項7】

請求項１乃至６のいずれか１項に記載の当該方法の処理を実行し、反復実行可能ファイル分析に基づく機械学習静的分析部を訓練するシステムであって、
ａ．実行可能な分析部と、
ｂ．信頼できないファイルと、
ｃ．信頼できないファイルコードの実行中に、データブログを復号化する動作をインターセプトするためのユーザモードフックアプリケーションと、
ｄ．静的分析によってまとめられた少なくとも１つのファイル属性を保管するデータ構造と、
ｅ．動的分析によってまとめられたファイルの少なくとも１つのファイル属性を保管するデータ構造と、を備えるシステム。

【請求項8】

信頼できないファイルの１以上のデータブログを復号化するのに割り当てられたメモリの新しいバッファをさらに含む、請求項９に記載のシステム。

【請求項9】

信頼できないファイルのデータブログを復号化するための既存のバッファをさらに含む、請求項９に記載のシステム。

【請求項10】

信頼できないファイルのデータブログを復号化するための既存のメモリをさらに含む、請求項９に記載のシステム。

【請求項11】

信頼できないファイルの実行後に修正された第二の信頼できないファイルをさらに含む、請求項９に記載のシステム。

【請求項12】

請求項１乃至６のいずれか１項に記載の方法の反復可能なファイル分析に基づいて機械学習静的分析部の訓練を実行させるプログラムコ－ドを含むコンピュータ読み取り可能な記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、マルウェアの静的および動的分析、ならびにマルウェアの検出を含むコンピュータセキュリティに関する。

【背景技術】

【0002】

コンピュータセキュリティにおいて、マルウェア検出戦略はマルウェア実行のどの段階に介入するかによって分類できる。つまり、前記戦略には、実行前のもの、実行時のもの、および実行後のものがある。実行前（「ＰＥ（ｐｒｅ－Ｅｘｅｃｕｔｉｏｎ）」）分析は多くの場合有用であるものの、暗号化、またはパッキングされた幅広いマルウェアサンプルの集合体に対して行うには困難であった。

【0003】

問題点の一つとして、そのような暗号化、またはパッキングされたサンプルのためにＰＥ分析を行うという点において解決法が欠如していることが挙げられる。一般的な方法では、動作実行時方法（Ｂｅｈａｖｉｏｒａｌ Ｒｕｎｔｉｍｅ ｍｅｔｈｏｄｓ）やイベント収集が使用される。このような場合、ＰＥ分析は十分に活用されず、検出率は改善されない。

【0004】

ここで「静的分析（Ｓｔａｔｉｃ ａｎａｌｙｓｉｓ）」とは、ソフトウェア構造に基づくプログラム解析技術を指す。従来の静的分析方法では、ポータブル実行可能ファイルをパースして逆アッセンブルし、証明書、ヘッダ、ライブラリ、インポート、名前、サイズ、および他の属性を含む属性ツリーを作成する。これらのツリーを用いて、実行可能ファイルが悪意あるものかどうかを分類する。しかし、マルウェアが暗号化されている場合、一般的な静的ファイル分析部では困難が生じる。前記暗号化によって、静的分析ではコードを効果的に分析することができない。

【0005】

静的分析が有効でない場合に、動的分析が代わりに使用されることがある。動的分析の目的は、信頼されていないファイルのテストであり、信頼されていないファイルを安全な環境で実行することにより、ファイル実行時にファイル本来の性質を明らかにすることである。従来の動的動作分析ツールの例としては、エミュレーション、サンドボックス、およびこれらに類似する方法が挙げられる。

【0006】

エミュレータはアプリケーションを深く解析することができるが、いくつかの制約がある。エミュレータでは、１００％の精度で元のシステムをエミュレートすることができない。マルウェアには、実行時環境をテストすることができ、エミュレータが検出された場合には実行を停止できるものもある。さらに、エミュレータはシステムのリソースを使用し、分析にかなりの時間を要する。このことは周知であり、悪意のあるファイルには、実行時間およびエミュレーション時間を引き伸ばすためのダミーループを含むものもある。前記ループによって、悪意のあるコードが実行される前にエミュレータが分析を終了する。

【0007】

サンドボックスは、ファイル実行テストおよび分析に使用される隔離された安全な環境である。サンドボックスは、エミュレータと同様、対象とされるコンピュータシステムと正確には一致しない。そのため、潜在的に悪意のあるファイルをサンドボックス内で実行する場合と、対象とする環境内で実行する場合とでは異なることがある。また、サンドボックスは、リアルタイム環境で効率的に行うことができないリソース集約的なプロセスである。それでもなお、より軽量な静的分析方法に加えて、サンドボックスが使用されることもある。

【0008】

システム動作アナライザは、対象とされるコンピュータ上でのファイルの実行を制御する方法である。システム動作アナライザは、ＡＰＩコール、スレッド、読取りおよび書込み動作、ならびにその他マルウェアの検出を支援すべての動作を追跡する。しかし、問題は、このような方法は軽量ではなく、システムに負荷をかけ、性能を低下させることである。

【発明の概要】

【0009】

従来技術に見られる問題を克服するために、静的および動的分析を組み合わせて、暗号化ファイルを含む潜在的に悪意のあるファイルを分析することができる。例えば、静的分析において、多くのデータブロックが暗号化されているので、ファイルが疑わしいという暫定的な結論へ至るために、ファイル本体のエントロピーを推定することができる。暫定的な判定に達した後、判定の精度を高めるために動的方法が使用される。動的方法では、信頼されていないファイルの実行動作を明らかにすることによって、それらの性質を明らかにする。例えば、ファイルが実行を開始した際にファイル自身のヘッダを上書きしたり、その性質を隠す他の属性を有する場合、この観察された動作はファイルが悪意のあるものであるという結論に寄与する。分類は機械学習技術に基づいて行うことができる。

【0010】

スレッド／プロセスの作成、ファイルマッピングなどの特別な制御フローポイントにおいて、アプリケーションに対する判定を再推定できるように様々なシステムレベルでのインターセプタが利用される。学習済みの機械学習ＰＥ分析モデルによって再推定された判定には、ディスク上のファイルからではなく、アプリケーションメモリから抽出されたデータが利用される。このような状況において、アプリケーションメモリには、復号化されたコードを実行する新たなコード領域が含まれる。より正確な結果を得るために、数回の反復が行われる。静的および動的分析の相乗効果を利用して、従来の方法よりも正確な判定を実現する方法もある。

【0011】

前記方法では、ＰＥ分析サービス、ドライバ、ファイルシステム、およびファイルシステムへのリクエストが採用されている。ドライバはユーザモードサービスと通信することによって、ＰＥモデル評価を呼び出し、最新のＰＥ分析判定を得る。ドライバは、ユーザモードフックを利用してコードフロー内の制御点を定義し、モデルを再推定することができる。

【0012】

解凍または復号化されたコードを含む新しいコード領域は、スタック分析部とプロセス仮想メモリＡＰＩで動作するユーザモードフックを利用して検出される。検出された新しいコード領域は、モデルのデータセットに追加されて、モデルの学習、または新しい判定の計算に利用される。

【0013】

或いは、新しいコード領域は、ポータブル実行可能（Ｐｏｒｔａｂｌｅ Ｅｘｅｃｕｔａｂｌｅ）未初期化データセグメント内に収集される。未初期化データセグメントは、「ＢＳＳ」セグメントとも称され、実際のディスク空間を必要としない未初期化変数のプレースホルダとして機能する。

【0014】

ドライバ及びユーザモードフックの同様の組み合わせが、パッキングまたは暗号化されたマルウェアサンプルのセットを用いてＰＥ分析モデルの学習に利用される。最新のＰＥ分析判定を、エンドポイントセキュリティ製品で利用してマルウェア検出の改良を実現する。

【0015】

本発明による一実施の形態において、ファイルのアンチマルウェアスキャンは、対象とされるコンピュータシステム上で実行可能ファイルを実行する際に実行される。ファイルの静的分析は、ファイルが特定の精度で悪意あるものとして分類可能なファイル属性のツリーを用いて行われる。前記静的分析によって前記ファイルを前記特定の精度で分類できない場合、動的ファイル分析が反復実行される。前記動的分析では、ファイルコードの実行中にデータブロックを復号化する動作をインターセプトし、暗号化されたデータブロックを考慮してファイル属性のツリーを更新する。続いて、前記更新されたファイル属性のツリーに基づいて前記ファイルの静的分析を実行する。前記ファイルが前記特定の精度で分類可能となるまで、前記インターセプトするステップおよび更新するステップを繰り返す。

【0016】

一実施の形態において、データブロックは、アプリケーションに割り当てられた既存のメモリ内、割り当てられたメモリ内の新しいバッファ内、またはアプリケーションの既存のバッファ内で復号化される。バッファは、一時的な記憶領域であり、通常はメモリ内のブロックであり、アイテムが入力デバイスからまたは出力デバイスに対して転送または変更されるのを待機する間、または他のメモリブロックから処理用に転送または変更されるのを待機する間配置される。

【0017】

一実施の形態において、データブロックの復号化をインターセプトするステップおよびファイル属性ツリーを更新するステップは、３回より多く繰り返され、５回より多く繰り返され、または１０回より多く繰り返される。

【0018】

一実施の形態において、ファイルの分析は、実行後に当該ファイルから修正された第二の信頼されていないファイルに依存する。前記第二の信頼されていないファイルは、第一のファイルを実行した際に、第一のファイルのヘッダ、データブロック、またはファイル本体が変更された場合、または新しいファイルが作成された場合に結果として生じるものである。

【0019】

一実施の形態において、ファイルの実行は、追加されたファイルデータを分析した後、凍結される。
一実施の形態において、バッファの所定の領域が実行可能にされ、実行が当該所定の領域に切り替えられる。

【図面の簡単な説明】

【0020】

【図1】ＰＥ分析を実装するためのシステムの概要を示す図である。

【図2】未知のオブジェクトに対して反復静的－動的分析を実行する工程を示す図である。

【図3】機械学習において未知のオブジェクトに対する反復静的－動的分析を実行する工程を示す図である。

【図4】実行環境において実行される反復静的－動的分析の一実施の形態の詳細を示す図である。

【図5】実行環境で行われる反復静的－動的分析に基づく機械学習の実施形態を示す。

【発明を実施するための形態】

【0021】

反復マルウェア分析の実装は、検出に対する障害を克服するために静的および動的技術を使用する。これらの障害は、アンチマルウェアシステムが使用する検出方法を熟知するマルウェアの作成者によって当該マルウェアに埋め込まれる。

【0022】

反復マルウェア分析は、静的および動的技術を選択的に使用して検出率を改善し、それによって高度なマルウェアにおいて見出される抗検出特性を克服するように設計される。例えば、信頼されていないファイル内のメインの悪意のあるコードが実行される際に検出を回避する方法が含まれている場合がある。マルウェアが、対象とする環境と一致しない仮想化された実行時環境を検出できる場合、エミュレーションおよびサンドボックスなどの動的な方法を回避することができる。マルウェアによって使用される別の検出回避方法として難読化がある。難読化はコードを取得し、当該コードを従来の手段では読み取り不能にする。また、検出を遅延させ、コードを逆エンジニアリングの影響を受けにくいものにする。パッキングは、パッカーを利用するマルウェアによって利用される一種の難読化である。パッカーは、データを圧縮または暗号化することによってコードの形式を修正するツールである。

【0023】

暗号化されたまたはパッキングされたファイルには、従来技術のマルウェア分析プロトコルから既知の従来のものとは異なるものが求められる。暗号化されたマルウェアが実行される際には、まず疑わしい悪意のあるファイルが読み込まれて実行される。一般的には、本体が暗号化されているかパッキングされるので、ファイルの性質を十分な精度で判定することができない。これを克服するため、データブロックを、割り当てられたメモリの新しいバッファ内で復号化する。或いは、既存のバッファ内でデータブロックを復号化して、所定の領域を実行可能とし、前記所定の領域に実行を切り替えるようにしてもよい。このサイクルは、悪意のあるコードの実行開始前に何度も反復することができる。したがって、復号化は、暗号化されたデータブロックから読み出され、既存のアプリケーションメモリまたは新しいバッファに書き込まれるデータブロックによって段階的に進行する。

【0024】

或いは、未初期化データセグメント（ＢＳＳ）が復号化に使用される。パッキングは、実行可能ファイルを対象とすることが多い。パッキングプロセスは、新しいヘッダを生成し、元ファイルを変換することができる。変換後の元ファイルは新しいファイルにコピーされる。新しいファイルには、スタブが追加される。ファイルが実行可能ファイルである場合、スタブは、実行中に変換を逆転させる。

【0025】

Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）プログラムファイルはポータブル実行可能形式が使用されている。この形式はＷｉｎｄｏｗｓ ＮＴ３．１で初めて導入され、．ＮＥＴおよび６４ビットへの対応を含む他のバイナリ形式に拡張された。前記ポータブル実行可能形式は、Ｗｉｎｄｏｗｓ ＯＳにおけるＥＸＥおよびＤＬＬファイルの標準バイナリ形式である。Ｌｉｎｕｘ（登録商標） Ｅｘｅｃｕｔａｂｌｅ 及び Ｌｉｎｋａｂｌｅ Ｆｏｒｍａｔ（「ＥＬＦ」）は、Ｌｉｎｕｘ環境における実行可能ファイルの同様の形式である。以下の説明では、例としてＷｉｎｄｏｗｓ形式が使用されるが、以下に説明する技術は、構造的に類似である任意のファイル形式で利用可能である。

【0026】

プロセス中空化（Ｐｒｏｃｅｓｓ ｈｏｌｌｏｗｉｎｇ）は、ライブプロセスのアドレス空間内でコードを実行する方法である。一般的には、一時停止状態のプロセスを作成し、次いでメモリをアンマッピングまたは「中空化」することによって実行される。このプロセス中空化は、未初期化データセグメント（ＢＳＳ）内で行うことができる。検出は、含まれているディレクトリにアクセスできるように実行ビットを設定することによって達成できる。

【0027】

ポータブル実行可能ヘッダの上書きは、検出を回避するために実行時にマルウェアによって使用される技術である。例えば、オリジナルファイルには、ヘッダと、コードセクションと、．ｄａｔａまたは．ｒｓｒｃなどの他のセクションとが含まれる。パッキングプロセスにおいて、新しいヘッダを有する完全に新しい実行可能なファイルを生成することができる。元ファイルは、圧縮、暗号化、またはこれらの組合せによって変換することができる。ロードされる際に、パッキングされたファイルが開始し、仮想メモリにマッピングされる。解凍スタブは、必要に応じて圧縮または暗号化動作を逆転させる際に呼び出される。次に、元ファイルがメモリ内に復元され、新たなヘッダが得られる。ファイルヘッダが実行時に変更されることは、対象のファイルがパッキングされたことの証拠となる。

【0028】

静的および動的分析技術は、システム全体の性能に異なる影響を及ぼす。例えば、静的ＰＥ分析部は、メモリにロードされたポータブル実行可能ファイル（ＰＥファイル）のデータを復号化したときに、高い検出率を達成すると同時に、同じファイルの動的分析よりも迅速かつ効率的に、ＰＥファイルを分類することができる。

【0029】

図１は、ＰＥ分析を実装するためのシステム１００の概要を示す図である。
アンチマルウェアシステム１００は、潜在的な悪意のあるアプリケーション１０４を分析するためのＰＥ分析部ホスティングサービス１０２を含んでいる。ＰＥ分析サービス１０２は、反復を０としてアクセス時スキャン１０６を生成し、反復１回（１０８）からＮ回（１１０）まで継続する。これらの要素およびユーザモードＵＭフック部１１２は、ユーザモード１１４に配置される。

【0030】

カーネルモード１１６は、ＵＭフック部１１２からの入出力Ｉ／Ｏコマンドを動作させるカーネルドライバ１２２と、ＵＭフック部１１２の結果１２２とＰＥ分析サービス１０２との間のリンク１２０とを含む。リンク１２０は、結果１２４をＰＥ分析部１０２に渡す。ＰＥ分析サービス１０２からのリクエスト１２６は、ＰＥ分析用メモリからのプロセス領域に対するリクエストが含まれている。ユーザモードは、アプリケーションがユーザモードで動作し、コアオペレーティングシステムコンポーネントがカーネルモードで動作するという点でカーネルモードと区別される。

【0031】

図２は、未知のファイルに対する反復静的－動的分析を実行するための方法２００を示す図である。
このプロセスが開始すると、ファイル実行の開始をインターセプトし（ステップ２０２）、次いでファイル属性を取得する（ステップ２０４）。取得した属性に基づいて、静的分析が実行される（ステップ２０６）。静的分析の暫定的な結果は、セキュリティランキング２０８および既知のファイルのコレクションに対する機械学習アルゴリズムを使用した属性ごとのファイル分類２１０を生成し、疑わしい証明書、ライブラリ、コード構造、およびハッシュサムのブラックリストにおける既知のマルウェアとファイル属性の照合２１２を可能にする。

【0032】

静的分析の判定２１４として、ランキング２０８、分類２１０、および照合２１２の結果が得られる。この判定は、所定の信頼レベル（または特定の精度）に従って対象のファイルを分類には、充分な精度がある場合もあり、そうでない場合もある。信頼レベルは、セキュリティポリシーおよびファイルのクラスに依存してもよい。例えば、高レベルのセキュリティでは、タイプＩエラーの１％以下の信頼レベルに対応すべきであり、中程度のレベルの安全は、タイプＩＩエラーの１％以下の信頼レベルに対応すべきである。ステップ２１６において、特定の精度を有するマルウェアとして分類可能と判定された場合、ファイルの実行が終了させられ（ステップ２１８）、悪意のあるファイルの検出が記録される（ステップ２２０）。判定２１４によって分類可能とされない場合、判定２１４に従ってさらに検証が必要であるか否かについて判定が行われる（ステップ２２２）。一方分類可能とされた場合、ファイル分析が停止され、ファイルが実行用に解放される（ステップ２２４）。

【0033】

セキュリティランキング２０８、ファイル分類２１０、または疑わしい証明書、ライブラリ、コード構造、およびハッシュサムのブラックリスにおける既知のマルウェアとのファイル属性の照合２１２によって、特定の精度でマルウェアを識別することができない場合、さらなる検証が必要となる。ファイルを分類するためのさらなる検証が必要な場合、例えば、信頼レベルが予め定義されたレベルよりも低い場合、または他のマルウェア検出エンジンによって分類について異なる判定が出される場合、ファイルの一部を実行している状態で、ステップ２２６から反復プロセスが行われる。フック動作を利用して、ファイル属性がさらに識別される（ステップ２２８）。フック動作は、ソフトウェア構成要素間で行われる関数の呼び出し、メッセージまたはイベントをインターセプトすることによって、実行中のアプリケーションを変更または拡張する。この目的に使用されるコードは、一般にフックとして知られている。

【0034】

ファイルの実行はステップ２３０で停止され、ステップ２０６で生成された静的分析に基づいて以前に収集されたＰＥファイル属性が更新される（ステップ２３２）。反復マルウェア分析では、実行を停止するため、単一ファイルの実行が、対象のファイルに関するコード全体を完全に実行することなく、Ｎ回までテストすることができる。

【0035】

図３は、機械学習において未知のファイルの反復静的－動的分析を実行するための方法３００を示す図である。
このプロセスが開始すると、新たにＰＥファイル分析が開始される（ステップ３０２）。ＰＥファイル属性が受信され（ステップ３０４）、評価される（ステップ３０６）。例えば、属性セットが、予め定義された信頼レベルよりも高い信頼レベルでのファイル分類を可能にする、または、属性セットが属性の最小原の変数セットからなる場合、当該属性セットが対象のファイルを識別するようにシステムに学習させるのに十分であるかどうかが判定される。十分ではないと判定された場合、ＰＥファイルが安全なコンピューティング環境において実行される（ステップ３０８）。安全なコンピューティング環境の例としては、エミュレータ、サンドボックス、専用テストマシン、任意のネットワークから切断されたマシン、またはマルウェアが伝播する能力が制限される他の環境が挙げられる。フック動作を行い、ファイル属性がさらに識別される（ステップ３１０）。これらのさらなる属性に基づいて、属性の元セットが更新される（ステップ３１２）。反復プロセスは、工程３０６における評価が肯定的な結果を生成するまで継続する。肯定的な結果が得られると、収集されたファイル（ＰＥファイルベースの新たに収集された属性を含む）を使って、機械学習ファイル分析部を学習させる（ステップ３１４）。収集されたファイルおよび属性に基づいて、検出ルールセットが更新される（ステップ３１６）。

【0036】

図４は、実行環境４０２において実行される反復静的－動的分析４００の一実施の形態の詳細を示す図である。この環境には、ユーザモード４０４およびカーネルモード４０６で動作するシステムオブジェクト、つまりユーザモード４０４で動作するＰＥ分析部４０８およびアプリケーション４１０と、カーネルセキュリティドライバ４３４が含まれる。ユーザモードは、アプリケーションがユーザモードで動作し、コアオペレーティングシステムコンポーネントがカーネルモードで動作するという点でカーネルモードと区別される。アプリケーション４１０は、暗号化されたデータブロック４１４を含むＰＥファイル４１２から実行される。アプリケーション４１０が実行されると、コード４１６、ライブラリ４１８、およびデータ４２０が露呈する。ブロックの復号化は、バッファ０（４２２）内で反復的に行われ、復号化ブロック４２６が実行され、バッファＮ（４２８）および復号化されたブロック４３０まで移動し続ける。或いは、ブロックの復号化は、データブロック４２０内で行うことができる。

【0037】

フック部４３２は、カーネルセキュリティドライバ４３４の制御下でユーザモード４０４で動作する。他の実施の形態同様、フック部４３２は、ソフトウェア構成要素間で行われる関数の呼び出し、メッセージまたはイベントをインターセプトすることによって、実行中のアプリケーションを変更または拡張し、これらをカーネルセキュリティドライバ４３４に送信する。カーネルセキュリティドライバ４３４は、コマンド、メッセージまたはイベントをＰＥ分析部４０８に送信する。

【0038】

初期ＰＥファイル属性４３６は、ＰＥ分析部４０８によってＮ反復収集ＰＥファイル属性４４０の工程を通じて、最初の反復収集ＰＥファイル属性４３８と共に収集される。ファイル属性マルウェア分析部４４２は、反復コントローラ４４４からの指示に基づき、初期ＰＥファイル属性４３６および反復的に収集されたファイル属性４３８、４４０を評価する。

【0039】

マルウェアには、ブロック復号化用のバッファを作成しないものもある。そのような場合、データは、既存のメモリページにおいて復号化できる。例えば、コードブロック４１６及びデータブロック４２０は復号化のために使用される。

【0040】

解凍されたファイルにはメモリ内で元ファイルを復元するものもあるが、マルウェアには、元ファイルを異なるメモリアドレスに復元するものもある。このような場合、第二のファイルに関連するアクティビティは、第一のファイルからの修正に焦点を当てて、開始直後に分析される。

【0041】

或いは別の技術では、アプリケーションバッファに追加で書き込まれたデータ（データブロック、ヘッダ、コードブロックまたはデータ等）が取得された後、ファイルのさらなる実行を凍結する。例えば、プロセスの全てのスレッドを凍結することができる。

【0042】

動的方法を使用したＰＥファイル属性の反復収集は、対象のファイルに関する結論を得るのに十分なファイル属性のツリーが作成されるまで継続される。
上述の反復技術は、ユーザマシンまたはネットワークが、検出を回避する能力、特に静的分析の信頼性を損なう、または不完全にする方法で検出を回避する能力を有するマルウェアに遭遇する可能性が高いコンピューティング環境に適用可能である。

【0043】

図５は、機械学習用の本発明の実施形態５００を示す図である。実行可能ファイル５０２はファイル属性のツリー５０４内に属性がまとめられている。元の静的ファイル属性５０４はツリー内収にまとめられている。第一のフック５０６が適用され、第一の属性５０８は復元されている。第二のフック５１０は反復的に継続し、属性５１２、５１４を復元する。第三のフック５１６は属性５１８、５１９および５２９を復元する。かくして３段階の反復では、ファイル属性のツリーは分析用の６つの追加属性によって拡張される。実施の形態において実行可能ファイルに適用されるフックは３つ以上である。

【0044】

フック属性は機械学習分析部５２４に送信され分析される。例えば、元の属性０、およびフック１とフック３の結果は分析部５４２に送信される。ファイル属性５２６、およびファイルの分類の定義は、実行可能ファイル５０２が信頼できるかどうかについて判断するのに使用されるデータベース４３０に保管される。ファイル格納５３２は、既存ファイルとの比較のための基準として使用される。機械学習分析部５２４が実行可能ファイル５０２について解決すると、その結果および実行可能ファイルのコピー、または記録がファイル格納５３２に加えられる。

【0045】

前記の反復技術は、検出を避ける能力のあるマルウェアと接する可能性のあるユーザー機械またはネットワークがあるコンピュータ環境向けのものである。このマルウェアの能力とは、特に静的な分析を不完全で信頼できない分析として判断する方法で、検出を避けるものである。

【図1】

【図2】

【図3】

【図4】

【図5】

【外国語明細書】