HashTran-DNN：一种增强深度神经网络对抗对抗性恶意软件样本鲁棒性的框架
密码学与安全
2018-09-19 v1 机器学习
机器学习
摘要
在图像处理及相关应用背景下的对抗机器学习已受到大量关注。然而，尽管恶意软件检测中的对抗机器学习（尤其是对抗深度学习）显然十分重要，却甚少受到关注。在本文中，我们提出一种增强深度神经网络（DNN）对抗对抗性恶意软件样本鲁棒性的框架，称为哈希变换深度神经网络（HashTran-DNN）。其核心思想是利用具有某种保局部性性质的哈希函数对样本进行变换，以增强 DNN 在恶意软件分类中的鲁棒性。该框架进一步使用去噪自编码器（DAE）正则化器来重构样本的哈希表示，使所得 DNN 分类器能够在潜空间中获取局部性信息。我们以 HashTran-DNN 框架的两种具体实例化实验来分类 Android 恶意软件。实验结果表明，四种已知攻击可使标准 DNN 在分类 Android 恶意软件时失效，已知防御至多能防御四种攻击中的三种，而 HashTran-DNN 能有效防御全部四种攻击。
引用
@article{arxiv.1809.06498,
title = {HashTran-DNN: A Framework for Enhancing Robustness of Deep Neural Networks against Adversarial Malware Samples},
author = {Deqiang Li and Ramesh Baral and Tao Li and Han Wang and Qianmu Li and Shouhuai Xu},
journal= {arXiv preprint arXiv:1809.06498},
year = {2018}
}
备注
13 pages (included references), 5 figures