COPYCAT:针对基于可视化的恶意软件检测的实用对抗攻击
密码学与安全
2019-09-24 v1 机器学习
摘要
尽管已有诸多尝试,恶意软件检测系统上对抗机器学习的现有技术通常产生不可执行的样本。在这项工作中,我们着手检验基于可视化的恶意软件检测系统对对抗样本(AEs)的鲁棒性,这些对抗样本不仅能欺骗模型,还保持原始输入的可执行性。为此,我们首先调研现有现成对抗攻击方法在恶意软件检测系统上的应用,发现这些方法未必能保持原始输入的功能。因此,我们提出一种生成对抗样本的方法 COPYCAT,它专为恶意软件检测系统设计,考虑两个主要目标:实现高误分类率,以及保持原始输入的可执行性与功能性。我们为 COPYCAT 设计了两种主要配置,即 AE 填充与样本注入。第一种配置导致非定向误分类攻击,而样本注入配置能够迫使模型生成定向输出,这在恶意软件归因场景中极为可取。我们通过在两个恶意软件数据集上的一系列广泛实验评估 COPYCAT 的性能,并报告称我们能够以 Windows 和 IoT 二进制数据集分别 98.9% 和 96.5% 的误分类率生成对抗样本,优于文献中的误分类率。最重要的是,我们报告这些 AEs 是可执行的,不同于现成方法生成的 AEs。我们的可迁移性研究表明,通过所提方法生成的 AEs 可泛化至其他模型。
引用
@article{arxiv.1909.09735,
title = {COPYCAT: Practical Adversarial Attacks on Visualization-Based Malware Detection},
author = {Aminollah Khormali and Ahmed Abusnaina and Songqing Chen and DaeHun Nyang and Aziz Mohaisen},
journal= {arXiv preprint arXiv:1909.09735},
year = {2019}
}