披着羊皮的狼：针对现实场景中基于学习的Windows恶意软件检测的实用黑盒对抗攻击
密码学与安全
2024-07-04 v1
摘要
鉴于现有基于学习的恶意软件检测在学术界和工业界均取得了显著成就，本文提出了MalGuise，一个实用的黑盒对抗攻击框架，用于在黑盒设置下评估现有基于学习的Windows恶意软件检测系统的安全风险。MalGuise首先采用一种基于调用重新划分的保语义转换，同时操纵恶意软件控制流图的节点和边，使其更难被察觉。通过采用基于蒙特卡洛树搜索的优化，MalGuise随后搜索出一个优化的基于调用的重新划分转换序列，以应用于输入的Windows恶意软件从而实现规避。最后，它在遵守Windows可执行文件格式约束的前提下，基于优化的转换序列重构对抗性恶意软件文件，从而保持与原始文件相同的语义。MalGuise在黑盒设置下针对三个最先进的基于学习的Windows恶意软件检测系统进行了系统性评估。评估结果表明，MalGuise实现了极高的攻击成功率，大多超过95%，且超过91%的生成对抗性恶意软件文件保持了相同的语义。此外，MalGuise对五款杀毒产品实现了高达74.97%的攻击成功率，凸显了对现实世界用户潜在的有形安全威胁。
引用
@article{arxiv.2407.02886,
title = {A Wolf in Sheep's Clothing: Practical Black-box Adversarial Attacks for Evading Learning-based Windows Malware Detection in the Wild},
author = {Xiang Ling and Zhiyu Wu and Bin Wang and Wei Deng and Jingzheng Wu and Shouling Ji and Tianyue Luo and Yanjun Wu},
journal= {arXiv preprint arXiv:2407.02886},
year = {2024}
}
备注
This paper has been accepted by 33rd USENIX Security Symposium 2024