基于深度学习的威胁前虚拟补丁技术
密码学与安全
2020-07-17 v1
摘要
许多应用程序存在可被利用的安全漏洞。由于测试问题的 NP 完全性质，实际上不可能发现所有漏洞。安全解决方案通过对应用程序的持续测试、漏洞的快速修补、补丁的自动部署，以及部署在网络与终端安全工具中的虚拟补丁检测技术，来防御这些攻击。这些技术受限于必须在黑帽黑客之前发现漏洞。我们提出了一种在漏洞被发现之前即对其进行虚拟修补的创新技术。我们利用测试技术生成监督学习数据，并展示了人工智能技术如何使用这些数据创建预测性深度神经网络模型，该模型读取应用程序输入并实时预测其是否为潜在的恶意输入。我们搭建了一个威胁前实验：在应用程序旧版本上生成数据，然后在数年后发现的漏洞上评估预测模型的准确率。我们的实验显示，对 LibXML2 与 LibTIFF 漏洞的威胁前检测准确率分别达到 91.3% 与 93.7%。我们期望在该研究领域持续工作，并为更多库提供威胁前虚拟补丁。本研究的成功可改变当前在应用程序漏洞后无休止追逐的状态，使防御者领先攻击者一步。
引用
@article{arxiv.2007.08296,
title = {Deep ahead-of-threat virtual patching},
author = {Fady Copty and Andre Kassis and Sharon Keidar-Barner and Dov Murik},
journal= {arXiv preprint arXiv:2007.08296},
year = {2020}
}
备注
IOSec 2018