DRSM：为恶意软件分类器提供认证鲁棒性的去随机化平滑方法
密码学与安全
2023-10-04 v3 机器学习
摘要
机器学习（ML）模型用于恶意软件检测已有二十余年。这随之引发了恶意软件作者与杀毒系统之间持续的军备竞赛，迫使研究人员提出针对规避攻击的恶意软件检测模型防御方法。然而，现有针对规避攻击的防御绝大多数（即便不是全部）都存在显著的性能下降和/或只能防御特定攻击的问题，这使得它们在现实场景中实用性不足。本工作中，我们通过为恶意软件检测领域重新设计去随机化平滑技术，开发了认证防御 DRSM（De-Randomized Smoothed MalConv）。具体而言，我们提出一种窗口消融方案，可在最大保留可执行文件局部结构的同时，可证明地限制对抗字节的影响。在展示 DRSM 如何对具有连续对抗字节的攻击具有理论鲁棒性后，我们通过实验验证了其性能与认证鲁棒性，观察到仅以微小的准确率为代价换取鲁棒性。据我们所知，我们是首个在恶意软件可执行文件静态检测领域提供认证鲁棒性的工作。更令人惊讶的是，通过对 DRSM 针对 9 种不同类型经验攻击的评估，我们观察到所提防御在经验上一定程度上对多种攻击具有鲁棒性，其中部分甚至超出其原始威胁模型范围。此外，我们从多种来源收集了 15.5K 近期良性原始可执行文件，并将作为名为 PACE（Publicly Accessible Collection(s) of Executables）的数据集公开，以缓解用于恶意软件检测的公开良性数据集的稀缺性，并为未来研究提供更具时代代表性的数据。
引用
@article{arxiv.2303.13372,
title = {DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness},
author = {Shoumik Saha and Wenxiao Wang and Yigitcan Kaya and Soheil Feizi and Tudor Dumitras},
journal= {arXiv preprint arXiv:2303.13372},
year = {2023}
}