是的，机器学习可以更安全！一项关于Android恶意软件检测的案例研究
密码学与安全
2017-05-01 v1
摘要
为应对现代攻击日益增加的变异性和复杂性，机器学习已被广泛采用作为统计上可靠的工具用于恶意软件检测。然而，其针对精心制作攻击的安全性不仅最近受到质疑，而且已表明机器学习表现出可被利用以在测试时规避检测的固有漏洞。换言之，机器学习本身可能是安全系统中最薄弱的环节。在本文中，我们依赖先前提出的攻击框架，通过建模具有不同技能和能力的攻击者，对基于学习的恶意软件检测工具的潜在攻击场景进行分类。我们随后定义并实现一组相应的规避攻击，以彻底评估Drebin（一个Android恶意软件检测器）的安全性。本工作的主要贡献是提出了一种简单且可扩展的安全学习范式，该范式减轻规避攻击的影响，同时在无攻击情况下仅轻微恶化检测率。我们最后论证我们的安全学习方法也可轻易应用于其他恶意软件检测任务。
引用
@article{arxiv.1704.08996,
title = {Yes, Machine Learning Can Be More Secure! A Case Study on Android Malware Detection},
author = {Ambra Demontis and Marco Melis and Battista Biggio and Davide Maiorca and Daniel Arp and Konrad Rieck and Igino Corona and Giorgio Giacinto and Fabio Roli},
journal= {arXiv preprint arXiv:1704.08996},
year = {2017}
}
备注
Accepted for publication on IEEE Transactions on Dependable and Secure Computing