通过蒙特卡洛变异特征发现规避恶意软件分类器
密码学与安全
2021-06-16 v1 机器学习
摘要
由于新恶意软件的大量涌现、不断变化的威胁态势，以及机器学习方法能够发现恶意与良性软件间有意义差异的能力，机器学习的使用已成为恶意软件检测工作的重要部分。杀毒厂商亦开始广泛采用基于动态与静态恶意软件分析特征的分类器。因此，恶意软件作者可能在恶意软件开发生命周期中对机器学习模型进行规避性二进制修改以成功执行攻击。这使得研究可能的分类器规避策略成为抵御恶意行为网络防御的关键环节。为此，我们搭建灰盒实验以分析如下场景：恶意软件作者不知目标分类器算法、无法获取分类器决策，但知晓训练所用特征。在该实验中，恶意行为者使用 EMBER-2018 数据集训练替代模型，通过蒙特卡洛树搜索发现导致样本被误分类的二进制变异。随后，变异恶意软件被发送至充当杀毒 API 的受害模型以测试其能否规避检测。
引用
@article{arxiv.2106.07860,
title = {Evading Malware Classifiers via Monte Carlo Mutant Feature Discovery},
author = {John Boutsikas and Maksim E. Eren and Charles Varga and Edward Raff and Cynthia Matuszek and Charles Nicholas},
journal= {arXiv preprint arXiv:2106.07860},
year = {2021}
}
备注
Presented at the Malware Technical Exchange Meeting, Online,2021. Copyright 2021 by the author(s)