防御面向 ML 基于 Android 恶意软件检测系统的对抗性恶意软件攻击
密码学与安全
2025-01-24 v1 人工智能
机器学习
软件工程
摘要
Android 恶意软件持续威胁用户隐私和数据完整性。为此，研究人员提出了基于机器学习（ML）的 Android 恶意软件检测（AMD）系统。然而，对抗性 Android 恶意软件攻击破坏了基于 ML 的 AMD 系统的检测完整性，引发重大关切。现有针对对抗性 Android 恶意软件的防御措施仅针对特征空间攻击，这类攻击仅生成对抗特征向量，而仅针对问题空间攻击——即生成真实对抗恶意软件的防御——仍是开放问题。本文我们通过提出 ADD，一个针对问题空间攻击设计的实用性对抗 Android 恶意软件防御框架，作为插件增强基于 ML 的 AMD 系统的对抗鲁棒性来弥补这一差距。我们在各种基于 ML 的 AMD 系统上的广泛评估表明，ADD 对最新问题空间对抗性 Android 恶意软件攻击有效。此外，ADD 在增强真实世界防病毒软件的对抗鲁棒性方面也显示出防御效果。
关键词
引用
@article{arxiv.2501.13782,
title = {Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems},
author = {Ping He and Lorenzo Cavallaro and Shouling Ji},
journal= {arXiv preprint arXiv:2501.13782},
year = {2025}
}