用于跨平台二进制代码相似度检测的基于神经网络的图嵌入
密码学与安全
2018-07-30 v4 神经与进化计算
摘要
跨平台二进制代码相似度检测问题旨在检测来自不同平台的两个二进制函数是否相似。它具有许多安全应用，包括抄袭检测、恶意软件检测、漏洞搜索等。现有方法依赖于近似图匹配算法，这些算法不可避免地速度缓慢且有时不准确，并且难以适应新任务。为了解决这些问题，在本工作中，我们提出了一种新颖的基于神经网络的方法，基于每个二进制函数的控制流图来计算嵌入（即数值向量），随后可以通过测量两个函数嵌入之间的距离来高效地完成相似度检测。我们实现了一个名为 Gemini 的原型。我们广泛的评估表明，Gemini 在相似度检测准确性方面以巨大优势优于 state-of-the-art 方法。此外，Gemini 可以将现有技术的嵌入生成时间加快 3 到 4 个数量级，并将所需的训练时间从 1 周以上减少到 30 分钟至 10 小时。我们的真实世界案例研究表明，与 state-of-the-art 方法（即 Genius）相比，Gemini 能够识别出显著更多的易受攻击固件镜像。我们的研究展示了深度学习在计算机安全问题上的成功应用。
引用
@article{arxiv.1708.06525,
title = {Neural Network-based Graph Embedding for Cross-Platform Binary Code Similarity Detection},
author = {Xiaojun Xu and Chang Liu and Qian Feng and Heng Yin and Le Song and Dawn Song},
journal= {arXiv preprint arXiv:1708.06525},
year = {2018}
}
备注
ACM CCS 17