针对实用基于ML的网络钓鱼网站分类器的高级规避攻击与缓解方法
密码学与安全
2020-04-16 v1 机器学习
摘要
基于机器学习（ML）的方法一直是反钓鱼检测的主流方案。当它们部署在客户端时，基于ML的分类器易受规避攻击。然而，此类潜在威胁受到的关注相对较少，因为现有攻击会破坏网页的功能或外观，且是在白盒场景下进行的，实用性不足。因此，理解是否可能在仅掌握分类器有限知识的同时保持功能和外观不变来发起规避攻击，变得至关重要。在本工作中，我们表明即使在灰盒和黑盒场景下，规避攻击不仅对实用的基于ML的分类器有效，而且可以在不破坏功能和外观的情况下高效发起。为此，我们提出了三种基于变异的攻击，其区别在于对目标分类器知识的掌握程度，解决了一个关键技术挑战：从已知钓鱼网站自动构造能够误导分类器的对抗样本。为了在白盒和灰盒场景下发起攻击，我们还提出了一种基于样本的碰撞攻击以获取目标分类器的知识。我们在最先进的Google钓鱼页面过滤器上展示了规避攻击的有效性和高效性，对每个网站在不到一秒内实现了100%的攻击成功率。此外，对BitDefender的工业钓鱼页面分类器TrafficLight的迁移攻击实现了高达81.25%的攻击成功率。我们进一步提出了一种基于相似度的方法来缓解此类规避攻击，即Pelican。我们证明Pelican能有效检测规避攻击。我们的发现有助于在实践中设计更鲁棒的网络钓鱼网站分类器。
引用
@article{arxiv.2004.06954,
title = {Advanced Evasion Attacks and Mitigations on Practical ML-Based Phishing Website Classifiers},
author = {Yusi Lei and Sen Chen and Lingling Fan and Fu Song and Yang Liu},
journal= {arXiv preprint arXiv:2004.06954},
year = {2020}
}