更新Windows恶意软件检测器：在对抗EXEmples下保持鲁棒性与回归平衡

对抗EXEmples是精心调整的程序，旨在规避基于机器学习的Windows恶意软件检测器。尽管已有努力开发出鲁棒模型以解决检测效果，但即使鲁棒模型可防止大多数EXEmples，为了维持随时间推移的预测力，模型仍需针对新威胁进行微调，这会导致要么部分更新，要么从头进行耗时的重新训练。因此，尽管对抗EXEmples的鲁棒性更高，但新模型可能因误分类之前正确检测的威胁而出现性能回归。基于此，我们研究在更新Windows恶意软件检测器时在准确性与回归之间的权衡，通过提出EXE-scanner（一种可被链接到现有检测器以快速阻止EXEmples且不引起回归的插件）来实现。我们实证表明，之前提出的硬化技术在更新非鲁棒模型时会导致准确性回归，尤其在考虑低假阳性 regime 和影响数据的时间漂移时，这种差距更为明显。此外，通过EXE-scanner我们获得对抗EXEmples可被检测的证据，展示了创建这些EXEmples时留下的残留痕迹。鉴于其设计，EXE-scanner可以被链接到任何分类器，以获得最佳性能，而无需进行高成本的重新训练。为促进可重复性，我们公开源代码，以及基于最先进扰动算法构建的对抗EXEmples数据集。