不完全特征信息下针对基于函数调用图的安卓恶意软件检测的黑盒对抗样本攻击
软件工程
2023-03-16 v1
摘要
基于函数调用图（FCG）的安卓恶意软件检测方法因其良好的性能近来受到越来越多的关注。然而，这些方法易受对抗样本（AEs）的影响。本文设计了一种针对基于 FCG 的恶意软件检测系统的新型黑盒对抗样本攻击，称为 BagAmmo。为误导其目标系统，BagAmmo 通过向恶意软件代码中插入“永不执行”的函数调用来有目的地扰动恶意软件的 FCG 特征。主要挑战有两个。首先，对抗扰动不应改变恶意软件功能。其次，目标系统的信息（例如图特征粒度和输出概率）缺失。为保持恶意软件功能，BagAmmo 采用 try-catch 陷阱插入函数调用来扰动恶意软件的 FCG。在缺乏特征粒度和输出概率知识的情况下，BagAmmo 采用生成对抗网络（GAN）的架构，并利用多种群协同进化算法（即 Apoem）来生成所需的扰动。Apoem 中的每个种群代表一种可能的特征粒度，当 Apoem 收敛时可获得真实特征粒度。通过在超过 44k 个安卓应用和 32 个目标模型上进行大量实验，我们评估了 BagAmmo 的有效性、效率和鲁棒性。BagAmmo 在 MaMaDroid、APIGraph 和 GCN 上实现了超过 99.9% 的平均攻击成功率，并且在概念漂移和数据不平衡场景下仍表现良好。此外，BagAmmo 在攻击成功率上优于最先进的攻击 SRL。
引用
@article{arxiv.2303.08509,
title = {Black-box Adversarial Example Attack towards FCG Based Android Malware Detection under Incomplete Feature Information},
author = {Heng Li and Zhang Cheng and Bang Wu and Liheng Yuan and Cuiying Gao and Wei Yuan and Xiapu Luo},
journal= {arXiv preprint arXiv:2303.08509},
year = {2023}
}