对抗鲁棒且可解释的 Magecart 恶意软件检测
密码学与安全
2025-11-07 v1
摘要
Magecart 抽取攻击已成为客户端安全和用户信任面向在线支付系统的重大威胁。本文解决了在实际数据集上实现对 Magecart 攻击的稳健且可解释检测的挑战，方法是对 various Machine Learning (ML) 模型进行比较研究。应用基于树的模型、线性模型和核方法的模型，进一步通过参数调优和特征选择，以区分良性脚本和恶意脚本。这些模型由一种行为确定性有限自动机 (DFA) 支持，后者捕获脚本中结构化行为模式，有助于分析和分类客户端脚本执行日志。为确保对抗违规攻击的鲁棒性，对 ML 模型进行了对抗训练，并使用来自对抗鲁棒性工具箱和自适应扰动模式方法的攻击进行评估。此外，提供了对 ML 模型决策的简洁解释，支持透明度和用户信任。实验验证表明，传统 ML 模型在实际 Web 安全情境中表现出高效的检测性能和可解释的推理，Demonstrating 了其在实际 Web 安全情境中的有效性。
关键词
引用
@article{arxiv.2511.04440,
title = {Adversarially Robust and Interpretable Magecart Malware Detection},
author = {Pedro Pereira and José Gouveia and João Vitorino and Eva Maia and Isabel Praça},
journal= {arXiv preprint arXiv:2511.04440},
year = {2025}
}
备注
5 pages, 2 figures