MaMaDroid2.0——控制流图中的漏洞
密码学与安全
2022-03-01 v1 机器学习
摘要
Android 恶意软件对全球数十亿移动用户构成持续扩张的威胁。检测系统不断更新以应对这些威胁。然而，对抗性规避攻击随之而来，攻击者篡改恶意样本使其被误分类为良性。本文全面审视了知名的 Android 恶意软件检测系统 MaMaDroid，该系统分析应用程序的控制流图。我们考虑训练集中良性样本比例及模型的变化，以观察其对分类器的影响。良性与恶意样本比例的变化对每种模型均有明显影响，导致其检测率下降超过 40%。此外，我们还实现了采用的 ML 模型，包括 5-NN、决策树和 Adaboost。对六种模型的探索揭示了树基模型与距离基模型在不同情况下的典型行为。此外，针对每个目标模型描述了三种操纵 CFG 的新型攻击及其检测率。这些攻击将大多数模型在不同良性与恶意应用比例下的检测率降至 0%。为此，我们设计了对 MaMaDroid 的新版本。该模型融合了应用的 CFG 与应用特征的静态分析。这一改进模型被证明对针对基于 CFG 的模型和静态分析模型的规避攻击均具有鲁棒性，在面对每种攻击时检测率均超过 90%。
引用
@article{arxiv.2202.13922,
title = {MaMaDroid2.0 -- The Holes of Control Flow Graphs},
author = {Harel Berger and Chen Hajaj and Enrico Mariconti and Amit Dvir},
journal= {arXiv preprint arXiv:2202.13922},
year = {2022}
}