连续恶意软件摄取流水线的灰盒投毒攻击
密码学与安全
2026-05-07 v1 机器学习
摘要
现代恶意软件检测流水线依赖持续的数据摄取和机器学习来应对大量新型威胁。本研究调查了针对这些流水线的一种现实的灰盒投毒威胁模型。使用 secml_malware 框架，我们通过保持功能的操作（具体为导入地址表（IAT）和节注入）生成问题空间对抗性二进制文件。我们评估了当这些投毒样本被摄取到防御者的训练集中时，对 LightGBM 恶意软件检测模型的影响。我们的实证结果表明，基于 IAT 的细微扰动能够生成紧凑的投毒样本，显著降低检测召回率。这些发现说明了在持续学习系统中开发具有低可见性且保持高投毒效能的对抗性扰动所固有的挑战。我们进一步评估了基于同质集成的防御机制，该机制成功识别并过滤了高达 95.6% 的投毒尝试，同时保持了对合法数据的高保留率。这些发现强调了在生产流水线中进行稳健的摄取前验证的必要性。
引用
@article{arxiv.2605.04698,
title = {Gray-Box Poisoning of Continuous Malware Ingestion Pipelines},
author = {Jan Dolejš and Martin Jureček and Róbert Lórencz},
journal= {arXiv preprint arXiv:2605.04698},
year = {2026}
}