Android HIV：一种针对重打包恶意软件以规避机器学习检测的研究

基于机器学习的方案已成功用于 Android 平台上恶意软件的自动检测。然而，机器学习模型对对抗样本缺乏鲁棒性，这些对抗样本通过对正常输入添加精心选择的扰动而构造。迄今为止，对抗样本只能欺骗依赖句法特征（例如请求的权限、API 调用等）的检测器，且扰动只能通过简单修改应用的清单（manifest）来实现。而近期的 Android 恶意软件检测器更多依赖来自 Dalvik 字节码的语义特征而非清单，现有的攻击与防御方法已不再有效。在本文中，我们提出一种新的攻击方法，可生成 Android 恶意软件的对抗样本并规避当前模型的检测。为此，我们提出一种对 Android APK 施加最优扰动以成功欺骗机器学习检测器的方法。我们开发了一个无需人工干预即可自动生成对抗样本的工具。与现有工作不同，我们的方法所构造的对抗样本还能欺骗近期基于机器学习、依赖控制流图等语义特征的检测器。扰动也可直接施加于 APK 的 Dalvik 字节码而非 Android 清单，以规避近期检测器。我们在两种最先进的 Android 恶意软件检测方案 MaMaDroid 和 Drebin 上演示了我们的攻击。结果表明，仅向 APK 中插入少量代码，MaMaDroid 的恶意软件检测率从 96% 降至 0%，Drebin 从 97% 降至 0%。