恶意软件混淆对抗样本的生成与评估
密码学与安全
2020-06-24 v3 机器学习
摘要
将卷积神经网络应用于基于图像的恶意软件分类引起了越来越多的关注，但神经网络对对抗样本的敏感性使得恶意行为者能够规避分类器。对抗样本通常通过对输入添加人类无法识别的小扰动来生成，但同样的方法对恶意软件并不有效。一般而言，这些扰动会导致字节序列发生改变，从而改变初始功能或导致二进制文件无法执行。我们提出了一种利用混淆生成可执行对抗恶意软件样本的 generative model（生成模型），其实现了高误分类率，在白盒和黑盒设置下分别高达100%和98%，并展示了可迁移性。我们进一步通过报告所提方法的对抗样本针对流行防御策略的规避率变化不显著，来评估该方法的有效性。
引用
@article{arxiv.1904.04802,
title = {Generation & Evaluation of Adversarial Examples for Malware Obfuscation},
author = {Daniel Park and Haidar Khan and Bülent Yener},
journal= {arXiv preprint arXiv:1904.04802},
year = {2020}
}
备注
Preprint