针对神经二进制函数检测的黑盒攻击
密码学与安全
2023-08-02 v2
摘要
基于深度神经网络（DNNs）的二进制分析，或称神经二进制分析（NBAs），近年来成为热门研究方向。DNNs 在自然语言与图像处理领域大幅提升性能与精度上限方面已取得极大成功。因此，DNNs 极有希望解决因有损编译过程导致信息不全而通常困难的二进制分析问题。尽管前景广阔，鉴于二进制分析常处于对抗性环境，当前将最初为其他问题域开发的嵌入与模型架构改作他用的主流策略是否稳妥仍不明确。本文经验性地证明，神经函数边界检测的最新水平易受无意与蓄意对抗攻击。我们从当前一代 NBAs 构建于旨在解决语法问题的嵌入与模型架构这一洞见出发，设计了一种简单、可复现且可扩展的黑盒方法，用于探索无意攻击的空间——即常见编译器工具链与配置可能发出的指令序列——其利用了这一语法设计焦点。我们随后表明，这些无意误分类可被攻击者利用，作为高效黑盒对抗样本生成过程的基础。我们针对两种最先进的神经函数边界检测器 XDA 与 DeepDi 评估了该方法。最后，我们对评估数据进行分析，并就未来研究如何避免遭受类似攻击给出建议。
引用
@article{arxiv.2208.11667,
title = {Black-box Attacks Against Neural Binary Function Detection},
author = {Joshua Bundt and Michael Davinroy and Ioannis Agadakos and Alina Oprea and William Robertson},
journal= {arXiv preprint arXiv:2208.11667},
year = {2023}
}
备注
16 pages