防御针对恶意软件检测系统的标签翻转攻击
机器学习
2020-06-17 v3 人工智能
机器学习
摘要
标签操纵攻击是对抗机器学习中用于攻击恶意软件检测等不同应用的数据投毒攻击的一个子类。这类攻击对具有高噪声率或不确定性的环境(如复杂网络与物联网(IoT))中的检测系统构成严重威胁。文献中近期工作建议使用近邻(KNN)算法来防御此类攻击。然而,该方法可能存在检测准确率低甚至错误的问题。本文设计了一种架构以解决IoT系统中的Android恶意软件检测问题。我们基于Silhouette聚类方法开发了针对移动Android平台的改进攻击机制。我们提出了两种卷积神经网络(CNN)类型的深度学习算法来抵御这种\emph{基于Silhouette聚类的标签翻转攻击(SCLFA)}。我们展示了这两种防御算法——\emph{基于标签的半监督防御(LSD)}与\emph{基于聚类的半监督防御(CSD)}——在纠正被攻击标签方面的有效性。我们在三个Android数据集(Drebin、Contagio和Genome)以及三类特征(API、intent和permission)上通过改变各种机器学习参数来评估所提算法的性能。评估表明,与使用随机森林特征选择及变化特征比例相比,现有文献中最佳方法的准确率可提升高达19%。
引用
@article{arxiv.1908.04473,
title = {On Defending Against Label Flipping Attacks on Malware Detection Systems},
author = {Rahim Taheri and Reza Javidan and Mohammad Shojafar and Zahra Pooranian and Ali Miri and Mauro Conti},
journal= {arXiv preprint arXiv:1908.04473},
year = {2020}
}
备注
21 pages, 6 figures, 4 tables, NCAA Springer Journal