夷为平地：针对机器学习钓鱼网页检测器的查询高效对抗性 HTML 攻击
密码学与安全
2023-10-17 v2 机器学习
摘要
机器学习钓鱼网页检测器（ML-PWD）已被证明会受到输入网页 HTML 代码的对抗性操纵的影响。然而，近期提出的攻击由于其未能优化所采用操纵的使用，且仅关注 HTML 代码的特定元素，而表现出有限的有效性。在这项工作中，我们通过首先设计一组新颖的细粒度操纵来克服这些局限，这些操纵可在不损害输入钓鱼网页的恶意性和视觉外观的情况下修改其 HTML 代码，即这些操纵在设计上保持功能与渲染不变。然后，我们通过查询高效的黑盒优化算法选择应施加哪些操纵以绕过目标检测器。我们的实验表明，我们的攻击仅使用 30 次查询就能将当前最先进的 ML-PWD 的性能夷为平地，从而克服了先前工作中较弱的攻击，并实现了对 ML-PWD 更公平的鲁棒性评估。
引用
@article{arxiv.2310.03166,
title = {Raze to the Ground: Query-Efficient Adversarial HTML Attacks on Machine-Learning Phishing Webpage Detectors},
author = {Biagio Montaruli and Luca Demetrio and Maura Pintor and Luca Compagna and Davide Balzarotti and Battista Biggio},
journal= {arXiv preprint arXiv:2310.03166},
year = {2023}
}
备注
Proceedings of the 16th ACM Workshop on Artificial Intelligence and Security (AISec '23), November 30, 2023, Copenhagen, Denmark