单身亦有优势：针对恶意软件分类器的实例投毒攻击
密码学与安全
2020-11-02 v1 机器学习
摘要
基于机器学习的恶意软件分类器的性能取决于用于诱导其模型的大规模且持续更新的训练集。为了维持最新的训练集，需要持续从广泛来源收集良性与恶意文件，这为攻击者提供了一个可利用的目标。在本研究中，我们展示了攻击者如何发起一种复杂而高效的投毒攻击，目标是用于训练恶意软件分类器的数据集。攻击者的最终目标是确保由被投毒数据集诱导出的模型无法检测攻击者的恶意软件，却仍能检测其他恶意软件。与恶意软件检测领域的其他投毒攻击不同，我们的攻击不聚焦于恶意软件家族，而是聚焦于包含植入触发器的特定恶意软件实例，根据投毒量的不同可将检测率从 99.23% 降至 0%。我们在 EMBER 数据集上以最先进的分类器评估了我们的攻击，并使用来自 VirusTotal 的恶意软件样本对我们的工作进行端到端验证。我们提出了一种全面的检测方法，可作为未来针对这一新发现的严重威胁的复杂防御手段。
引用
@article{arxiv.2010.16323,
title = {Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers},
author = {Tzvika Shapira and David Berend and Ishai Rosenberg and Yang Liu and Asaf Shabtai and Yuval Elovici},
journal= {arXiv preprint arXiv:2010.16323},
year = {2020}
}