对抗环境下的基于机器学习的物联网恶意软件检测：系统性评估
密码学与安全
2021-08-31 v1 机器学习
摘要
物联网（IoT）设备的快速增长与其处于恶意攻击前线相伴随。这导致了 IoT 恶意软件数量的激增，其持续发生变异、演化并变得复杂。这些恶意软件在使用传统基于签名方法的同时，也利用机器学习（ML）算法进行检测。尽管基于 ML 的检测器提升了检测性能，它们易受恶意软件演化与复杂化的影响，从而局限于其所训练的模式。这一持续趋势推动了大量关于恶意软件分析与检测研究的文献，众多系统不断出现并超越其前身。在本工作中，我们在一系列对抗环境下系统性地考察了利用多种表示与学习技术的最先进恶意软件检测方法。我们的分析凸显了所提检测器在学习区分良性与恶意软件模式上的不稳定性。结果表明，具有功能保持操作的软件变异（如剥离与填充）会显著恶化此类检测器的准确率。此外，我们对工业标准恶意软件检测器的分析显示了它们对恶意软件变异的不稳定性。
引用
@article{arxiv.2108.13373,
title = {ML-based IoT Malware Detection Under Adversarial Settings: A Systematic Evaluation},
author = {Ahmed Abusnaina and Afsah Anwar and Sultan Alshamrani and Abdulrahman Alabduljabbar and RhongHo Jang and Daehun Nyang and David Mohaisen},
journal= {arXiv preprint arXiv:2108.13373},
year = {2021}
}
备注
11 pages