EvadeDroid：一种针对黑盒 Android 恶意软件检测的机器学习实用规避攻击
机器学习
2024-01-26 v4 密码学与安全
摘要
在过去十年中，研究人员通过开发规避攻击广泛探索了 Android 恶意软件检测器对对抗样本的脆弱性；然而，这些攻击在真实场景中的实用性仍存争议。大多数研究假设攻击者知晓用于恶意软件检测的目标分类器的细节，而现实中恶意行为者对目标分类器的访问有限。本文提出 EvadeDroid，一种问题空间对抗攻击，旨在真实场景中有效规避黑盒 Android 恶意软件检测器。EvadeDroid 利用基于 n-gram 的方法，构建了一组源自与恶意软件应用在操作码级别相似的正常捐赠应用的问题空间变换。随后通过迭代增量式操控策略将这些变换用于把恶意软件实例变形为正常应用。所提出的操控技术是一种查询高效的优化算法，能够找到并将最优变换序列注入恶意软件应用。我们在 1K 恶意软件应用上进行的实证评估表明，该方法在软标签和硬标签设置下均能生成真实世界的对抗样本。我们的发现揭示，EvadeDroid 可有效欺骗利用不同特征类型与多种特征的各种恶意软件检测器。具体而言，EvadeDroid 仅用 1-9 次查询即对 DREBIN、Sec-SVM、ADE-MA、MaMaDroid 和 Opcode-SVM 实现了 80%-95% 的规避率。此外，我们表明所提出的问题空间对抗攻击在面对五款流行商业杀毒软件时仍能保持其隐蔽性，平均规避率达 79%，从而证明了其在现实世界中的可行性。
引用
@article{arxiv.2110.03301,
title = {EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection},
author = {Hamid Bostani and Veelasha Moonsamy},
journal= {arXiv preprint arXiv:2110.03301},
year = {2024}
}
备注
The paper was accepted by Elsevier Computers & Security on 20 December 2023