EGAN：用于勒索软件规避的进化GAN
密码学与安全
2024-05-22 v1 人工智能
机器学习
摘要
对抗训练是一种经过验证的对抗恶意软件防御策略。然而，为此类训练生成对抗性恶意软件样本是一个挑战，因为生成的对抗性恶意软件需要保持规避性和功能性。本文提出了一个攻击框架EGAN来解决这一限制。EGAN利用进化策略和生成对抗网络来选择一系列攻击动作，这些动作可以变异勒索软件文件，同时保留其原始功能。我们在VirusTotal上列出的流行AI驱动商业防病毒系统上测试了该框架，并证明我们的框架能够绕过其中大多数系统。此外，我们评估了EGAN攻击框架是否可以规避其他非AI商业防病毒解决方案。我们的结果表明，生成的对抗性勒索软件可以增加规避其中一些系统的概率。
引用
@article{arxiv.2405.12266,
title = {EGAN: Evolutional GAN for Ransomware Evasion},
author = {Daniel Commey and Benjamin Appiah and Bill K. Frimpong and Isaac Osei and Ebenezer N. A. Hammond and Garth V. Crosby},
journal= {arXiv preprint arXiv:2405.12266},
year = {2024}
}