从恶意软件的多视图表示学习以防御对抗变体

基于深度学习的对抗恶意软件检测器在检测未见过的恶意软件可执行文件方面取得了有前景的结果，且无需依赖昂贵的动态行为分析与沙箱。尽管具备这些能力，此类检测器已被证明易受对抗恶意软件变体——由机器学习生成的、经过精细修改且保持功能的原始恶意软件可执行文件版本——的攻击。由于这些对抗修改的性质，此类对抗方法常利用恶意软件可执行文件的单一视图（即二进制/十六进制视图）来生成对抗变体。这为防御者（即恶意软件检测器）提供了利用恶意软件文件多于一个视图（例如除二进制视图外还包括源代码视图）来检测对抗变体的机会。该思路背后的原理是：当攻击者聚焦于二进制视图时，恶意软件文件在源代码视图中的某些特征保持不变，从而实现对对抗恶意软件变体的检测。为利用此机会，我们提出对抗鲁棒多视图恶意软件防御（ARMD），一种新颖的多视图学习框架，用以提升基于 DL 的恶意软件检测器对抗对抗变体的鲁棒性。我们在三个知名开源基于深度学习的恶意软件检测器上、跨六类常见恶意软件的实验表明，ARMD 能够将这些恶意软件检测器的对抗鲁棒性提升至多七倍。