ADVERSARIALuscator:一种基于对抗式深度强化学习的混淆器与变形恶意软件群生成器
密码学与安全
2021-09-27 v1 人工智能
机器学习
摘要
先进的变形恶意软件与勒索软件通过混淆可在每次攻击时改变其内部构造。若此类恶意软件侵入任一 IoT 网络,即便原始恶意软件实例被检测出来,届时其仍可能感染整个网络。获取此类规避型恶意软件的训练数据颇具挑战。因此,本文提出 ADVERSARIALuscator,一种利用专用对抗式深度强化学习(Adversarial-DRL)在操作码层面混淆恶意软件并生成多个同类变形实例的新系统。据我们所知,ADVERSARIALuscator 是首个采用基于马尔可夫决策过程的方法将操作码层面个体混淆问题转化并求解的系统。这一点至关重要,因为机器语言层面是能够保持功能以有效模拟真实攻击的最低层级。ADVERSARIALuscator 也是网络安全领域首个使用具备深度强化学习智能体(如近端策略优化)的高效连续动作控制的系统。实验结果表明,ADVERSARIALuscator 可将恶意软件语料的变形概率提升 >0.45。此外,ADVERSARIALuscator 生成的变形实例中超过 33% 能够规避最强大的 IDS。若此类恶意软件侵入任一 IoT 网络,即便原始恶意软件实例被检测出来,届时其仍可能感染整个网络。因此,ADVERSARIALuscator 可用于生成代表一群极强且协同的基于 AI 的变形恶意软件攻击的数据。所生成的数据与模拟可用于增强 IDS 抵御来自先进恶意软件与勒索软件的实际基于 AI 的变形攻击的防御能力。
引用
@article{arxiv.2109.11542,
title = {ADVERSARIALuscator: An Adversarial-DRL Based Obfuscator and Metamorphic Malware SwarmGenerator},
author = {Mohit Sewak and Sanjay K. Sahay and Hemant Rathore},
journal= {arXiv preprint arXiv:2109.11542},
year = {2021}
}