迈向弹性机器学习分类器——以勒索软件检测为例

加密勒索软件因加密造成的损害难以逆转并导致数据丢失。本文构建了一个机器学习（ML）分类器，通过程序行为早期检测使用密码学的勒索软件（称为加密勒索软件）。若基于签名的检测被绕过，基于行为的检测器可作为检测和遏制损害的最终防线。我们发现勒索软件的输入/输出活动与文件内容熵是检测加密勒索软件的独特特征。深度学习（DL）分类器能以高准确率和低误报率检测勒索软件。我们对生成的模型进行了对抗研究，使用模拟勒索软件程序发起灰盒分析，以探查 ML 分类器的弱点并提升模型鲁棒性。除准确率与弹性外，可信度是高质量检测器的另一关键标准。确保推理所用信息正确对安全应用至关重要。我们采用 Integrated Gradient 方法解释深度学习模型，并揭示假阴性规避检测的原因。本文展示并讨论了构建和评估真实世界检测器的方法。