基于节区注入的恶意软件分类欺骗
密码学与安全
2022-08-15 v1 机器学习
摘要
我们研究如何修改可执行文件以欺骗恶意软件分类系统。本工作的主要贡献是一种跨恶意软件文件随机注入字节的方法，既将其作为降低分类准确率的攻击手段，也作为一种防御方法，扩充可用于训练的数据。它遵循操作系统文件格式，以确保注入后恶意软件仍可执行且行为不变。我们复现了五种最先进的恶意软件分类方法以评估我们的注入方案：一种基于 GIST+KNN，三种 CNN 变体以及一种门控 CNN（Gated CNN）。我们在包含来自 25 个不同家族的 9,339 个恶意软件样本的公共数据集上进行了实验。结果表明，恶意软件大小仅增加 7% 便导致家族分类准确率下降 25% 至 40%。它们表明自动恶意软件分类系统可能并不像文献中最初报道的那样可信。我们还评估了将修改后的恶意软件与原始样本结合使用以增强网络对上述攻击的鲁棒性。结果显示，对恶意软件节区重排序与注入随机数据相结合可提升分类的整体性能。代码见 https://github.com/adeilsonsilva/malware-injection。
引用
@article{arxiv.2208.06092,
title = {On deceiving malware classification with section injection},
author = {Adeilson Antonio da Silva and Mauricio Pamplona Segundo},
journal= {arXiv preprint arXiv:2208.06092},
year = {2022}
}