论二进制函数相似性系统鲁棒性的缺失
密码学与安全
2025-05-23 v2 机器学习
摘要
二进制函数相似性，通常依赖于基于学习的算法来识别函数池中哪些函数与给定的查询函数最相似，是机器学习、软件工程和安全等多个领域的热门话题。其重要性源于它在促进从逆向工程、恶意软件分析到自动化漏洞检测等多项关键任务中的影响。尽管近期的工作揭示了这一长期研究问题的性能表现，但在理解最先进机器学习模型对抗性攻击的弹性方面，研究现状仍然相当不足。由于安全领域需要推理对手的行为，在这项工作中，我们通过一种简单但有效的黑盒贪婪攻击来评估这些模型的鲁棒性，该攻击修改了被攻击函数的控制流拓扑和内容。我们证明，这种攻击成功地破坏了所有模型，根据问题设置（有目标攻击和无目标攻击），平均攻击成功率分别达到 57.06% 和 95.81%。我们的发现富有启发性：在干净数据上的顶级性能并不一定与顶级的鲁棒性相关，这明确地凸显了在部署此类模型时应考虑的性能-鲁棒性权衡，并呼吁进一步的研究。
引用
@article{arxiv.2412.04163,
title = {On the Lack of Robustness of Binary Function Similarity Systems},
author = {Gianluca Capozzi and Tong Tang and Jie Wan and Ziqi Yang and Daniele Cono D'Elia and Giuseppe Antonio Di Luna and Lorenzo Cavallaro and Leonardo Querzoni},
journal= {arXiv preprint arXiv:2412.04163},
year = {2025}
}