利用由扰动潜表示生成的对抗字符串提升恶意软件分类器的鲁棒性
机器学习
2021-10-26 v1 密码学与安全
摘要
在恶意软件行为分析中，被访问与创建的文件列表常指示受检文件为恶意或良性。然而，恶意软件作者正试图通过生成随机文件名和/或修改所用文件名配合恶意软件新版本来规避检测。这些变更代表现实世界对抗样本。本工作的目标是生成真实对抗样本并提升分类器抵御这些攻击的鲁棒性。我们的方法以无监督方式学习输入字符串的潜表示，并在潜域使用基于梯度的对抗攻击方法以在输入域生成对抗样本。我们使用这些样本通过在生成的对抗字符串集上训练来提升分类器鲁棒性。与仅在扰动潜向量上训练的分类器相比，我们的方法产出的分类器显著更鲁棒，且无标准精度的大的权衡。
引用
@article{arxiv.2110.11987,
title = {Improving Robustness of Malware Classifiers using Adversarial Strings Generated from Perturbed Latent Representations},
author = {Marek Galovic and Branislav Bosansky and Viliam Lisy},
journal= {arXiv preprint arXiv:2110.11987},
year = {2021}
}
备注
35th Conference on Neural Information Processing Systems (NeurIPS 2021), Strategic ML Workshop