基于随机平滑的深度学习恶意软件检测器对抗攻击实用防御探讨
密码学与安全
2024-03-14 v1 人工智能
摘要
基于深度学习（DL）的恶意软件检测器已被证明易受为规避检测而蓄意篡改的恶意软件样本（即对抗恶意软件样本）攻击。更具体地，已表明深度学习检测器对输入文件的微小改动脆弱。鉴于深度学习检测器的此脆弱性，我们提出一种受随机平滑启发的、针对对抗恶意软件样本的实用防御。在我们的工作中，不同于在随机化输入时采用高斯或拉普拉斯噪声，我们提出一种基于随机消隐的平滑方案，其对可执行文件内一定比例的字节进行消隐。训练期间，我们基于消隐版本的可执行文件训练基分类器。测试时，给定输入可执行文件的最终分类取分类器在原可执行文件一组消隐版本上最常预测的类。为证明我们方法的适用性，我们在 BODMAS 数据集上针对各类最先进规避攻击对提出的基于消隐的模型进行了实证评估。结果显示，与非平滑分类器相比，对对抗恶意软件样本具有更强的鲁棒性与泛化能力。
引用
@article{arxiv.2308.08906,
title = {Towards a Practical Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via Randomized Smoothing},
author = {Daniel Gibert and Giulio Zizzo and Quan Le},
journal= {arXiv preprint arXiv:2308.08906},
year = {2024}
}