基于信任原生覆盖与置信度自适应位深缩减的高效对抗性恶意软件防御
密码学与安全
2025-11-18 v1 机器学习
摘要
在大数据环境中部署稳健的恶意软件检测系统需要仔细权衡安全有效性与计算效率。虽然近期对抗性防御技术在鲁棒性方面取得了显著提升，但常常引入4倍至22倍的计算开销，给日常处理数百万样本的生产系统带来了重大挑战。本文提出一种新型框架，将信任原生覆盖（Trust-Raw Override, TRO）与置信度自适应位深缩减（Confidence-Adaptive Bit-Depth Reduction, CABDR）相结合，显式优化对抗鲁棒性与计算效率之间的权衡。该方法利用基于自适应置信度的机制，对性地应用防御措施，实现了仅需1.76倍的计算开销——相较于最新平滑类对抗防御技术，提升了2.3倍。通过在包含80万样本的 EMBER v2 数据集上进行全面评估，我们展示该框架在保持91%干净准确率的同时，将多种攻击成功率降至31%-37%，尤其在针对基于优化的攻击（如C和W方法）时表现尤为突出（防御效果降低48.8%）。该框架实现了最高可达126万样本/秒的吞吐量（在预提取的 EMBER 特征上测试，未包含特征提取运行时开销），并通过5次独立实验、95%置信区间及p<0.01的统计显著性验证，在72套生产配置下均通过验证。我们的结果表明，生产环境中的实用对抗鲁棒性需要显式优化效率与鲁棒性之间的权衡，为组织部署无需高昂基础设施成本即可实现稳健防御提供了可行路径。
引用
@article{arxiv.2511.12827,
title = {Efficient Adversarial Malware Defense via Trust-Based Raw Override and Confidence-Adaptive Bit-Depth Reduction},
author = {Ayush Chaudhary and Sisir Doppalpudi},
journal= {arXiv preprint arXiv:2511.12827},
year = {2025}
}
备注
Accepted at IEEE International Conference on Big Data 2025. 10 pages, 2 figures, 8 tables