基于动态文件行为分布式图像可视化的 GAN 模拟恶意软件作者以实现主动防护

恶意软件作者始终占据优势，能够在部署载荷前利用其所掌握的反恶意软件产品对其恶意代码进行对抗性测试与增强。另一方面，反恶意软件开发者与威胁专家并不具备针对零日攻击主动调优反恶意软件产品的特权。这使得恶意软件作者能够领先反恶意软件产品一步，从根本上令双方所玩的猫鼠游戏偏向一方。在本文中，我们提出一种方法，使基于机器学习的威胁防护模型能够通过针对一个深度生成对抗网络（GAN）进行调优来弥合这一差距，该网络扮演恶意软件作者的角色并生成新型恶意软件。该 GAN 在一个可逆的分布式 RGB 图像表示上训练，该表示刻画已知恶意软件行为，编码 API 调用 n-gram 序列及相应的词频。所生成的图像代表可解码回底层 API 调用序列信息的合成恶意软件。该图像表示不仅被证明是一种通用技术，可用于引入必要先验以利用卷积神经网络架构进行生成或判别建模，而且作为一种可视化方法，可通过将各个 API n-gram 信息分布于图像空间中，便于人工对软件或恶意软件进行分类。此外，我们还提出基于这些图像的感知哈希使用智能特征码（smart-definitions）检测恶意软件。此类哈希相比不携带任何有意义相似性度量、因而泛化能力不佳的密码学哈希，潜在地更为有效。