MalFox：基于卷积生成对抗网络的对黑盒检测器的伪装对抗恶意软件样本生成
密码学与安全
2022-06-08 v6
摘要
深度学习是当前充满诸多实际应用与活跃研究课题的蓬勃发展领域。它使计算机能够从经验中学习，并借助概念层次结构来理解世界，其中每个概念通过其相对于更简单概念的关系来定义。依托深度学习的强大能力，我们提出了一种基于卷积生成对抗网络（Conv-GAN）的框架 MalFox，旨在针对第三方黑盒恶意软件检测器生成对抗恶意软件样本。受恶意软件作者与检测器之间对抗博弈的启发，MalFox 采用对抗性方法生成扰动路径，每条路径由至多三种方法（即 Obfusmal、Stealmal 与 Hollowmal）构成，以生成对抗恶意软件样本。为证明 MalFox 的有效性，我们收集了由恶意与良性程序组成的大规模数据集，并从所生成对抗恶意软件样本的准确率、检测率与规避率方面考察其性能。我们的评估表明，准确率可达 99.0%，显著优于其他 12 种知名学习模型。此外，检测率平均大幅下降 56.8%，平均规避率明显提升至多 56.2%。
引用
@article{arxiv.2011.01509,
title = {MalFox: Camouflaged Adversarial Malware Example Generation Based on Conv-GANs Against Black-Box Detectors},
author = {Fangtian Zhong and Xiuzhen Cheng and Dongxiao Yu and Bei Gong and Shuaiwen Song and Jiguo Yu},
journal= {arXiv preprint arXiv:2011.01509},
year = {2022}
}