Tarallo：在问题空间中规避行为恶意软件检测器
密码学与安全
2025-06-04 v1
摘要
机器学习算法可以通过动态行为有效分类恶意软件，但易受对抗攻击。然而，现有的攻击往往无法在特征空间和问题空间中同时找到有效的解决方案。该问题源于未解决恶意软件固有的非确定性本质，即多次执行同一样本可能产生截然不同的行为。因此，针对特定行为计算的扰动对于后续执行中观察到的其他行为可能无效。在本文中，我们展示了攻击者如何通过利用一种新的、更高效的序列数据特征空间算法（我们将其命名为 PS-FGSM），并采用两种专门针对问题空间中的非确定性量身定制的问题空间策略，来提高其成功的机会。我们在 Tarallo 中实现了我们的新算法和攻击策略，这是一个端到端的对抗框架，在白盒和黑盒场景下均显著优于先前的工作。我们在沙盒环境中针对两个基于 RNN 的恶意软件检测器的初步分析表明，Tarallo 在特征空间和问题空间攻击中均实现了高达 99% 的成功率，同时显著减少了误分类所需的修改次数。
引用
@article{arxiv.2506.02660,
title = {Tarallo: Evading Behavioral Malware Detectors in the Problem Space},
author = {Gabriele Digregorio and Salvatore Maccarrone and Mario D'Onghia and Luigi Gallo and Michele Carminati and Mario Polino and Stefano Zanero},
journal= {arXiv preprint arXiv:2506.02660},
year = {2025}
}