恶意软件检测器对对抗样本的鲁棒性研究

对抗样本通过对输入施加不可察觉的改变，旨在诱导机器学习模型发生误分类。它们已在图像分类等领域引起显著挑战，结果表明，对抗扰动后的图像用于规避检测时，对一个分类器的攻击极可能可转移到其他分类器。对抗样本也在恶意软件分析中得到研究。不同于图像，程序二进制文件若要任意扰动而不影响运行，难度很大。由于难以制作对抗程序二进制文件，目前尚无共识关于对抗扰动后程序对不同检测器的可转移性。本文我们探讨了恶意软件检测器针对对抗扰动恶意软件的鲁棒性。我们研究了针对一个检测器开发的对抗攻击，针对其他基于机器学习的恶意软件检测器以及基于代码相似性技术（ Specifically，基于局部敏感哈希的检测器）的可转移性。我们的分析表明，为特定检测器量身制作的对抗程序二进制文件，对其他检测器通常效果较差。我们还评估了一组检测器，表明它们可能减轻对抗程序二进制文件的影响。最后，我们演示了为规避检测而对程序进行大幅变更，可能会导致变换技术被识别，这暗示了攻击者必须对程序二进制文件进行最小化修改。