Multi-SpacePhish：利用机器学习扩展针对钓鱼网站检测器的对抗攻击的规避空间
密码学与安全
2023-10-13 v3 机器学习
网络与互联网体系结构
摘要
关于对抗机器学习 (ML) 的现有文献要么侧重于展示破坏每个 ML 模型的攻击，要么侧重于抵御大多数攻击的防御。遗憾的是，很少考虑攻击或防御的实际可行性。此外，对抗样本通常在“特征空间”中制作，使得相应的评估价值存疑。简而言之，当前的情况无法估计对抗攻击构成的实际威胁，导致缺乏安全的 ML 系统。我们旨在本文中澄清这种混淆。通过考虑 ML 用于钓鱼网站检测 (PWD) 的应用，我们形式化了可以引入对抗扰动以欺骗 ML-PWD 的“规避空间”——证明了即使在“特征空间”中的扰动也是有用的。然后，我们提出了一种现实的威胁模型，描述了针对 ML-PWD 的规避攻击，这种攻击成本低廉，因此对真实的钓鱼者本质上更具吸引力。此后，我们对最先进的 ML-PWD 针对 12 种规避攻击进行了首次经过统计验证的评估。我们的评估表明： 更可能发生的规避尝试的真实有效性；以及 在不同规避空间中制作的扰动的影响。我们现实的规避尝试导致了统计上显著的性能下降（在 p<0.05 时为 3-10%），且其低成本使其成为一种隐蔽的威胁。然而值得注意的是，一些 ML-PWD 对我们最现实的攻击免疫 (p=0.22)。最后，作为本期刊出版物的额外贡献，我们首次考虑了攻击者同时在多个规避空间中引入扰动的有趣情况。这些新结果表明，同时在问题空间和特征空间应用扰动会导致检测率从 0.95 降至 0。
引用
@article{arxiv.2210.13660,
title = {Multi-SpacePhish: Extending the Evasion-space of Adversarial Attacks against Phishing Website Detectors using Machine Learning},
author = {Ying Yuan and Giovanni Apruzzese and Mauro Conti},
journal= {arXiv preprint arXiv:2210.13660},
year = {2023}
}