深度学习中的特征级恶意软件混淆

我们考虑利用深度学习模型检测恶意软件的问题，其中恶意软件可能与大量良性代码相结合。此类例子包括系统上的搭便车与木马攻击，恶意行为隐藏于有用应用程序中。这种在扩充恶意软件上增加的灵活性使得代码混淆显著增多。因此我们聚焦于静态特征的使用，特别是 Intents、Permissions 与 API 调用，我们假定这些特征最终无法对 Android 系统隐藏，而只能被更多此类特征所扩充。我们首先使用良性与恶意软件样本的特征训练一个用于恶意软件分类的深度神经网络分类器。然后我们展示了仅通过随机将良性应用的特征添加至恶意软件，假阴性率（即攻击成功）便急剧上升。最后我们测试了使用数据增强来强化分类器以抵御此类攻击。我们发现对于 API 调用，可以拒绝绝大多数攻击，而使用 Intents 或 Permissions 则效果较差。