恶意软件检测中的对抗样本探索
机器学习
2019-04-16 v3 密码学与安全
机器学习
摘要
卷积神经网络（CNN）架构正日益应用于新领域，例如恶意软件检测，其能够从可执行文件中提取的原始字节学习恶意行为。这些架构在无需特征工程的情况下达到了令人印象深刻的性能，但它们针对主动攻击者的鲁棒性尚待理解。此类恶意软件检测器可能面临一种以对抗方式干扰分类模型的新型攻击向量。现有旨在导致测试时实例误分类的规避攻击已在图像分类器上被广泛研究，但由于输入语义禁止对二进制文件进行任意修改，这些攻击并不适用。本文探索恶意软件检测中的对抗样本领域。通过在生产规模数据集上训练现有模型，我们表明一些先前的攻击不如最初报道的有效，同时突出了便于针对恶意软件分类的新攻击策略的架构弱点。最后，我们探究了不同攻击策略的泛化能力、在提高其有效性时的权衡，以及单步攻击的可迁移性。
引用
@article{arxiv.1810.08280,
title = {Exploring Adversarial Examples in Malware Detection},
author = {Octavian Suciu and Scott E. Coull and Jeffrey Johns},
journal= {arXiv preprint arXiv:1810.08280},
year = {2019}
}