组合对抗恶意软件样本生成器以提升规避率
密码学与安全
2023-08-08 v1 人工智能
摘要
杀毒软件开发者正日益将机器学习作为恶意软件防御的关键组成部分。尽管机器学习在许多领域取得了前沿成果，但它也存在被多种对抗攻击技术利用的弱点。许多作者已提出白盒和黑盒的对抗恶意软件样本生成器，能够以不同程度的成功率绕过恶意软件检测器。我们提出组合现有生成器以提升其潜力。组合不同生成器可生成更复杂的对抗样本，更有可能规避反恶意软件工具。我们在五个知名生成器上演示了该技术并记录了有前景的结果。AMG-random 与 MAB-Malware 生成器的最佳组合在面对顶级杀毒产品时实现了 15.9% 的平均规避率，相较于单独使用 AMG-random 和 MAB-Malware 生成器，分别平均提升了超过 36% 和 627%。从另一生成器接续其流程中获益最多的生成器是 FGSM 注入攻击，根据所用第二生成器的不同，其规避率平均提升了 91.97% 至 1,304.73%。这些结果表明，组合不同生成器可显著提升其针对主流杀毒软件的有效性。
引用
@article{arxiv.2304.07360,
title = {Combining Generators of Adversarial Malware Examples to Increase Evasion Rate},
author = {Matouš Kozák and Martin Jureček},
journal= {arXiv preprint arXiv:2304.07360},
year = {2023}
}
备注
9 pages, 5 figures, 2 tables. Under review