迈向对抗性恶意软件检测：基于 PDF 攻击的经验教训
密码学与安全
2020-04-15 v3
摘要
恶意软件仍是网络安全领域的主要威胁，这也归因于文档等感染载体的广泛使用。这些感染载体向受害用户隐藏嵌入式恶意代码，便利了利用社会工程学技术感染其机器的行为。研究表明机器学习算法对此类威胁提供了有效的检测机制，但对抗环境下军备竞赛的存在近期对这些系统提出了挑战。本工作中，我们聚焦于嵌入 PDF 文件中的恶意软件作为此类军备竞赛的代表性案例。我们首先提供用于生成 PDF 恶意软件的不同方法以及相应基于学习的检测系统的全面分类。随后，我们利用对抗机器学习领域中成熟的框架，对专门针对于基于学习的 PDF 恶意软件检测器的威胁进行分类。该框架使我们能够对基于学习的 PDF 恶意软件检测器的已知漏洞进行分类，并识别可能威胁此类系统的新型攻击，以及可缓解此类威胁影响的潜在防御机制。我们在文末讨论了这些发现如何揭示出在对抗环境下设计鲁棒恶意软件检测器这一更一般挑战的有前景研究方向。
引用
@article{arxiv.1811.00830,
title = {Towards Adversarial Malware Detection: Lessons Learned from PDF-based Attacks},
author = {Davide Maiorca and Battista Biggio and Giorgio Giacinto},
journal= {arXiv preprint arXiv:1811.00830},
year = {2020}
}