스마트폰을 노리는 악성 앱이 날로 진화하는 가운데,인공지능이 그 대응의 최전선에 서고 있다.
니하리카 둔디갈라,가르비타 달미아,라구 키쇼르 닐리세티연구팀은 모바일 운영체제 환경에서 전통적 기계학습과 딥러닝 기법의 악성코드 탐지 성능을 체계적으로 비교 분석한 연구를 2025년 신흥 컴퓨터 지능 기술 국제 콘퍼런스에서 발표했다.
연구팀은 정적 분석과 동적 분석 특징을 통합해 모델을 학습시켰다. 정적 분석은 앱 설치 파일의 권한 요청, 코드 구조, 의심스러운 API 호출 패턴을 추출하고, 동적 분석은 앱 실행 중 실제 시스템 호출, 네트워크 트래픽, 메모리 사용 패턴을 수집한다. 두 방식의 특징을 결합함으로써 난독화나 코드 변형으로 정적 탐지를 우회하는 악성 앱도 잡아낼 수 있다.
비교 결과, 딥러닝 기법은 복잡한 특징 간 상관관계를 자동으로 학습하는 능력 덕분에 전통적 기계학습 대비 정확도와 연산 효율성 면에서 뚜렷한 우위를 보였다. 기존 기계학습 기법은 도메인 전문가가 수동으로 설계한 특징에 의존하는 반면, 딥러닝은 원시 데이터에서 판별력 있는 표현을 스스로 추출해 적응성이 높다.
이 연구는 악성코드 탐지 기술의 진화 방향을 명확히 제시한다. 특히 앱 마켓의 검수 과정을 피해 모바일 기기에 침투하는 지능형 악성코드에 맞서, 딥러닝 기반의 실시간 탐지 시스템 구축이 현실적 대안임을 시사한다.
개인 사용자 입장에서는 공식 앱 마켓 외 출처의 앱 설치를 피하고, 앱 권한 요청을 꼼꼼히 확인하며, 보안 업데이트를 즉시 적용하는 습관이 중요하다. 기업 환경에서는 AI 기반 모바일 위협 탐지 솔루션의 도입을 적극 검토할 필요가 있다.
출처: Niharika Dundigalla, Garvita Dalmia, Raghu Kishore Neelisetti, "AI-Powered Malware Analysis in Mobile Operating Systems: A Comparative Study of Machine Learning and Deep Learning Approaches", ICETCI 2025
As malicious apps targeting smartphones grow increasingly sophisticated, artificial intelligence has become the frontline defense.
Researchers Niharika Dundigalla, Garvita Dalmia, and Raghu Kishore Neelisetti presented a systematic comparison of traditional machine learning and deep learning techniques for mobile malware detection at the 2025 International Conference on Emerging Techniques in Computational Intelligence (ICETCI).
The study adopted a dual-feature approach, integrating both static and dynamic application analysis. Static analysis examines installed application files for permission requests, code structure, and suspicious API call patterns before execution. Dynamic analysis captures runtime behavior including system calls, network traffic, and memory usage patterns during actual execution. Combining these two sources of information enables detection of malware variants that evade static analysis through obfuscation and code transformation.
The comparison revealed a clear advantage for deep learning approaches. Deep learning models demonstrated superior accuracy and computational efficiency compared to traditional ML techniques, driven by their ability to automatically discover complex inter-feature relationships from raw data. Traditional machine learning methods, by contrast, depend on manually engineered features designed by domain experts — a process that struggles to keep pace with rapidly evolving malware tactics.
The research provides concrete guidance for the cybersecurity landscape. Against advanced mobile threats that bypass app store review processes, deep learning-based real-time detection systems represent a practical and scalable solution for both enterprise and consumer device protection.
For individual users, best practices remain important: install apps only from official marketplaces, carefully review app permission requests, and apply security updates immediately. Organizations should actively evaluate AI-driven mobile threat detection platforms as part of their security infrastructure.
Source: Niharika Dundigalla, Garvita Dalmia, Raghu Kishore Neelisetti, "AI-Powered Malware Analysis in Mobile Operating Systems: A Comparative Study of Machine Learning and Deep Learning Approaches", ICETCI 2025
