非平稳恶意软件检测中的对抗逃逸：通过受相似性约束的扰动最小化漂移信号
密码学与安全
2026-04-24 v1 人工智能
摘要
深度学习已成为恶意软件检测的强大方法，展示了在 various 数据表示下的惊人准确率。然而，这些模型在现实世界的非平稳环境中面临关键局限性，其中恶意软件特征和检测系统持续演化。我们的研究调查了一个根本性的安全问题：攻击者能否生成同时逃避分类并对漂移监控机制保持隐蔽的对抗恶意软件样本？我们提出了一种新方法，通过在分类器标准化特征空间中生成针对性的对抗样本，并引入精细的相似性正则化。通过仔细约束扰动以保持与干净恶意软件的分布相似性，我们创建了一个在有针对性的误分类与漂移信号最小化之间进行权衡的优化目标。我们通过综合比较分类器输出概率并使用多种漂移指标来量化该方法的有效性。我们的实验表明，相似性约束可以减少输出漂移信号，其中 正则化显示出最有前景的效果。我们观察到，扰动预算显著影响逃避可检测性之间的权衡，增加的预算导致更高的攻击成功率和更大的漂移指示器。
引用
@article{arxiv.2604.21310,
title = {Adversarial Evasion in Non-Stationary Malware Detection: Minimizing Drift Signals through Similarity-Constrained Perturbations},
author = {Pawan Acharya and Lan Zhang},
journal= {arXiv preprint arXiv:2604.21310},
year = {2026}
}