针对基于 GNN 的恶意域名检测的多实例对抗攻击
密码学与安全
2023-08-24 v1 人工智能
摘要
恶意域名检测（MDD）是一项开放的安全挑战，旨在检测一个互联网域名是否与网络攻击相关。在众多解决该问题的方法中，图神经网络（GNNs）被认为极为有效。基于 GNN 的 MDD 利用 DNS 日志将互联网域名表示为恶意性图（DMG）中的节点，并训练 GNN 通过已识别的恶意域名推断其恶意性。由于该方法依赖可访问的 DNS 日志来构建 DMG，它暴露了一个漏洞，使对手能够操纵其域名节点在 DMG 内的特征和连接。现有研究主要集中于操纵单个攻击者节点的威胁模型。然而，对手通常生成多个域名以经济地实现其目标并规避检测。其目标是在尽可能多的域名中逃避发现。在本文中，我们将同时操纵 DMG 中若干节点的攻击称为多实例规避攻击。我们给出理论与经验证据，表明现有的单实例规避技术不足以对基于 GNN 的 MDD 发起多实例规避攻击。因此，我们提出 MintA，一种针对基于 GNN 的 MDD 的推理时多实例对抗攻击。MintA 通过优化扰动增强节点和邻域的规避性，并仅以黑盒方式访问目标模型即可成功运行，无需了解模型细节或非对抗节点的知识。我们为 MintA 构建了一个优化挑战，并求得近似解。在采用真实数据、基于领先 GNN 的 MDD 技术对 MintA 的评估中，攻击成功率超过 80%。这些发现对安全专家起到警示作用，凸显了基于 GNN 的 MDD 易受实际攻击削弱其有效性与优势的弱点。
引用
@article{arxiv.2308.11754,
title = {Multi-Instance Adversarial Attack on GNN-Based Malicious Domain Detection},
author = {Mahmoud Nazzal and Issa Khalil and Abdallah Khreishah and NhatHai Phan and Yao Ma},
journal= {arXiv preprint arXiv:2308.11754},
year = {2023}
}
备注
To Appear in the 45th IEEE Symposium on Security and Privacy (IEEE S\&P 2024), May 20-23, 2024