针对恶意软件检测器的单发黑盒对抗攻击：一种因果语言模型方法
密码学与安全
2021-12-06 v1 人工智能
摘要
基于深度学习（DL）的恶意软件检测器正日益被用于网络安全中恶意行为的早期检测。然而，它们对对抗性恶意软件变体的敏感性引发了巨大的安全担忧。防御者生成此类对抗变体对于提升基于 DL 的恶意软件检测器对它们的抵抗力至关重要。这一必要性催生了一股新兴的机器学习研究潮流，即对抗恶意软件样本生成（AMG），其旨在生成保持给定恶意软件恶意功能的规避性对抗恶意软件变体。在 AMG 研究中，黑盒方法比白盒方法获得了更多关注。然而，大多数黑盒 AMG 方法需要与恶意软件检测器大量交互以生成对抗恶意软件样本。鉴于大多数恶意软件检测器强制执行查询限制，这可能导致生成非现实的对抗样本，因其缺乏隐蔽性而在实践中很可能被检测。在本研究中，我们展示了一种新颖的基于 DL 的因果语言模型能够通过将恶意软件可执行文件的内容视为字节序列并训练一个生成式预训练 Transformer（GPT），实现单发规避（即仅对恶意软件检测器进行一次查询）。我们提出的方法 MalGPT 在从 VirusTotal 获取的真实世界恶意软件数据集上显著优于领先的基准方法，达到了超过 24.51% 的规避率。MalGPT 使网络安全研究人员能够通过模拟大规模现实 AMG 来发展先进的防御能力。
引用
@article{arxiv.2112.01724,
title = {Single-Shot Black-Box Adversarial Attacks Against Malware Detectors: A Causal Language Model Approach},
author = {James Lee Hu and Mohammadreza Ebrahimi and Hsinchun Chen},
journal= {arXiv preprint arXiv:2112.01724},
year = {2021}
}