Mal2GCN：一种使用具有非负权重的深度图卷积网络的鲁棒恶意软件检测方法
密码学与安全
2022-03-15 v2 机器学习
摘要
随着使用深度学习（DL）解决各类问题的步伐加快，保护这些模型免受对抗者攻击已成为研究者的主要关切之一。近期研究表明，基于 DL 的恶意软件检测器易受对抗样本攻击。对抗者可以精心制作对抗样本以规避基于 DL 的恶意软件检测器。本文中，我们提出 Mal2GCN，一种鲁棒的恶意软件检测模型，它使用可执行文件的函调用图（FCG）表示结合图卷积网络（GCN）来检测 Windows 恶意软件。由于可执行文件的 FCG 表示比原始字节序列表示更鲁棒，众多提出的对抗样本生成方法在规避 Mal2GCN 时无效。此外，我们使用非负训练方法将 Mal2GCN 转化为单调非递减函数；从而它在理论上对追加攻击鲁棒。我们随后提出一种基于黑盒源代码的对抗恶意软件生成方法，可用于评估恶意软件检测模型对真实世界对抗者的鲁棒性。所提方法将对抗代码注入恶意软件源代码的不同位置以规避恶意软件检测模型。实验表明，具有非负权重的 Mal2GCN 在检测 Windows 恶意软件时具有高准确率，且对向恶意软件源代码添加良性特征的对抗攻击也鲁棒。
引用
@article{arxiv.2108.12473,
title = {Mal2GCN: A Robust Malware Detection Approach Using Deep Graph Convolutional Networks With Non-Negative Weights},
author = {Omid Kargarnovin and Amir Mahdi Sadeghzadeh and Rasool Jalili},
journal= {arXiv preprint arXiv:2108.12473},
year = {2022}
}
备注
13 pages, 12 figures, 5 tables