基于集成学习与语义推理的混淆变换细粒度静态检测
计算与语言
2019-11-19 v1 密码学与安全
信息论
机器学习
math.IT
摘要
高效检测所用软件保护手段对于促进适当去混淆技术的选择与应用至关重要。我们提出一种将语义推理技术与集成学习分类相结合的新方法，以提供针对混淆变换的静态检测框架。与现有工作不同，我们提供了一种可检测多层混淆的方法论，且不依赖于对所用训练集底层功能的了解。我们还将工作扩展至检测混淆变换的构造，从而提供细粒度方法论。为此，我们就机器学习技术用于可扩展且高效模型的最佳实践提供了若干研究。根据在 Tigress 与 OLLVM 等混淆器上的实验结果与评估，我们的模型在最先进混淆变换上准确率高达 91%。对其构造的整体准确率高达 100%。
引用
@article{arxiv.1911.07523,
title = {Fine-Grained Static Detection of Obfuscation Transforms Using Ensemble-Learning and Semantic Reasoning},
author = {Ramtine Tofighi-Shirazi and Irina Mariuca Asavoae and Philippe Elbaz-Vincent},
journal= {arXiv preprint arXiv:1911.07523},
year = {2019}
}
备注
Software Security, Protection, and Reverse Engineering Workshop (SSPREW9), Dec 2019, San Juan, United States