基于对抗深度学习的二进制编码恶意软件鲁棒检测

恶意软件不断适应以规避检测。基于模型的恶意软件检测器，如 SVM 和神经网络，易受所谓对抗样本的攻击，对抗样本是对可检测恶意软件所作的细微改动，使得到的恶意软件能够逃避检测。针对图像对抗样本具有鲁棒性的连续值方法已利用鞍点优化公式得到发展。受其启发，我们针对表征恶意软件特征的离散（如二进制）域开发了类似方法。恶意软件的一个特殊额外挑战是，必须以保留其恶意功能的方式生成对抗样本。我们引入了能够在二进制域生成功能保持的对抗恶意软件样本的方法。利用鞍点公式，我们将对抗样本纳入对鲁棒于它们的模型的训练中。我们在一组可移植可执行（PE）文件上评估了本方法与文献中其他方法的有效性。比较促使我们引入一种在训练期间计算的在线度量，以评估鲁棒性的总体期望。