이 논문은 하드웨어 성능 카운터(HPC)를 이용한 악성코드 탐지에서 앙상블 학습 기법을 적용해 탐지 성능과 효율을 함께 높이는 방법을 제안한다. 18개 머신러닝 모델과 2가지 앙상블 기법을 조합한 총 144가지 구성을 실험한 결과, 앙상블 기반 탐지기는 HPC 2개만 사용하고도 HPC 8개를 쓰는 표준 분류기보다 최대 10% 높은 성능을 냈다. 또한 HPC 4개만으로 HPC 16개를 쓰는 표준 탐지기와 동등한 성능을 달성해, 한 사이클에 2~8개 이벤트만 측정 가능한 프로세서 제약 하에서도 실시간 악성코드 탐지 효율을 크게 개선했다. 이는 안티바이러스를 보완하는 하드웨어 기반 런타임 탐지의 실용성을 높이는 결과다.

• •18개 ML 모델 x 2개 앙상블 기법으로 144가지 구성을 실험
• •앙상블 기반 HPC 2개 탐지기가 표준 HPC 8개 분류기보다 최대 10% 우수
• •HPC 4개만으로 HPC 16개 표준 탐지기와 동등한 성능 달성
• •프로세서가 사이클당 2~8개 이벤트만 측정 가능한 제약 하 실시간 탐지 효율 개선