针对基于序列的恶意软件分类器的查询高效黑盒攻击
密码学与安全
2020-10-06 v7 机器学习
摘要
在本文中，我们提出一种通用的、查询高效的黑盒攻击，针对基于 API 调用的机器学习恶意软件分类器。我们通过修改恶意软件的 API 调用序列与非序列特征（可打印字符串）来生成对抗样本，这些对抗样本将被目标恶意软件分类器误分类，且不影响恶意软件的功能。与先前研究相比，我们的攻击最小化了所需恶意软件分类器查询的次数。此外，在我们的攻击中，攻击者只需知道恶意软件分类器预测的类别；攻击者是否知晓分类器的置信度分数是可选的。我们针对多种恶意软件分类器架构评估了攻击有效性，包括循环神经网络（RNN）变体、深度神经网络、支持向量机和梯度提升决策树。当分类器置信度分数已知时我们的攻击成功率约为 98%，仅知分类器预测类别时约为 64%。我们实现了四种最先进的查询高效攻击，并表明与其他现有查询高效攻击相比，我们的攻击需要更少的查询次数和对被攻击模型架构更少的了解，从而以最小代价实用化地攻击基于云的恶意软件分类器。
引用
@article{arxiv.1804.08778,
title = {Query-Efficient Black-Box Attack Against Sequence-Based Malware Classifiers},
author = {Ishai Rosenberg and Asaf Shabtai and Yuval Elovici and Lior Rokach},
journal= {arXiv preprint arXiv:1804.08778},
year = {2020}
}
备注
Accepted as a conference paper at ACSAC 2020