Stochastic-HMDs：通过电压过缩放实现对抗弹性的硬件恶意软件检测器
密码学与安全
2021-03-15 v1 机器学习
摘要
基于机器学习的硬件恶意软件检测器（HMDs）在防御系统免受恶意软件攻击方面具有潜在的颠覆性优势。然而，HMDs 易受对抗攻击，可被有效逆向工程并随后被规避，从而使恶意软件躲过检测。我们通过近似计算提出一种新颖的 HMDs（Stochastic-HMDs）来解决此问题，其使 HMDs 的推理计算随机化，从而使 HMDs 对对抗规避攻击具有弹性。具体而言，我们提议利用电压过缩放（voltage overscaling）在 HMDs 模型中诱导随机计算。我们表明，该技术使 HMDs 对黑盒对抗攻击场景（即逆向工程与可迁移性）都更具弹性。我们的实验结果表明，Stochastic-HMDs 无需对硬件/软件或 HMDs 模型做任何更改（即无需重新训练或微调）即可有效防御对抗攻击，并带来功耗节省的附带好处。此外，基于近期概率近似正确（PAC）可学习性理论的结果，我们证明 Stochastic-HMDs 在可证明意义上更难以被逆向工程。
引用
@article{arxiv.2103.06936,
title = {Stochastic-HMDs: Adversarial Resilient Hardware Malware Detectors through Voltage Over-scaling},
author = {Md Shohidul Islam and Ihsen Alouani and Khaled N. Khasawneh},
journal= {arXiv preprint arXiv:2103.06936},
year = {2021}
}
备注
13 pages, 13 figures