基于GAN生成用于黑盒攻击的对抗性恶意软件样本
机器学习
2017-02-21 v1 密码学与安全
摘要
近年来，机器学习已被用于检测新型恶意软件，而恶意软件作者有强烈动机攻击此类算法。恶意软件作者通常无法获知恶意软件检测系统所用机器学习模型的详细结构与参数，因此只能实施黑盒攻击。本文提出一种基于生成对抗网络（GAN）的算法 MalGAN，用于生成能够绕过黑盒机器学习检测模型的对抗性恶意软件样本。MalGAN 使用替代检测器来拟合黑盒恶意软件检测系统。训练一个生成网络以最小化替代检测器所预测的生成的对抗样本恶意概率。MalGAN 相对于传统基于梯度的对抗样本生成算法的优势在于，它能够将检测率降至近乎零，并使基于重训练的对抗样本防御方法难以奏效。
引用
@article{arxiv.1702.05983,
title = {Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN},
author = {Weiwei Hu and Ying Tan},
journal= {arXiv preprint arXiv:1702.05983},
year = {2017}
}