针对恶意软件分类器的实用对抗样本综述
密码学与安全
2020-11-12 v1 机器学习
摘要
基于机器学习的解决方案在解决涉及海量数据的问题（如恶意软件检测与分类）方面非常有帮助。然而，深度神经网络已被发现易受对抗样本的攻击，即被故意扰动以导致错误标签的输入。研究人员已表明，这种脆弱性可被利用来创建规避性恶意软件样本。然而，许多提出的攻击并不生成可执行文件，而是生成特征向量。为充分理解对抗样本对恶意软件检测的影响，我们综述了针对恶意软件分类器生成可执行对抗恶意软件样本的实用攻击。我们还讨论了该研究领域当前的挑战，以及改进建议和未来研究方向。
引用
@article{arxiv.2011.05973,
title = {A survey on practical adversarial examples for malware classifiers},
author = {Daniel Park and Bülent Yener},
journal= {arXiv preprint arXiv:2011.05973},
year = {2020}
}
备注
preprint. to appear in the Reversing and Offensive-oriented Trends Symposium(ROOTS) 2020