面向基于序列的深度学习恶意软件分类器的实用对抗攻击
密码学与安全
2025-09-16 v1 软件工程
摘要
基于序列的深度学习模型 (如 RNN) 可通过分析其行为序列来检测恶意软件。同时，这些模型易受到对抗攻击。攻击者可创建对抗样本，通过改变行为序列的特征来欺骗恶意软件分类器。现有方法生成对抗样本通常涉及删除或替换原始数据序列中的关键行为，或插入可能违反行为约束的良性行为。然而，这些直接操作序列的方法使对抗样本难以实现或实际应用。本文提出一种基于深度 Q 网络和启发式回溯搜索策略的对抗攻击方法，可生成满足实际条件的扰动序列，以实现成功攻击。随后，我们采用一种新型转换方法将修改映射回源代码，从而避免直接修改行为日志序列。我们对该方法进行评估，结果确认其在生成来自真实恶意软件行为序列的对抗样本方面的有效性，这些样本在规避异常检测模型方面成功率很高。此外，该方法具有实用性，可在维持修改后软件功能的前提下生成对抗样本。
引用
@article{arxiv.2509.11836,
title = {A Practical Adversarial Attack against Sequence-based Deep Learning Malware Classifiers},
author = {Kai Tan and Dongyang Zhan and Lin Ye and Hongli Zhang and Binxing Fang},
journal= {arXiv preprint arXiv:2509.11836},
year = {2025}
}