45、基于图像的恶意软件检测对抗攻击的鲁棒性研究

基于图像的恶意软件检测对抗攻击的鲁棒性研究

1. 研究概述

在恶意软件检测领域，传统的基于签名和启发式的方法难以应对不断涌现的新型和修改后的恶意软件。因此，机器学习（ML）技术在恶意软件检测中变得不可或缺。然而，ML 模型容易受到对抗攻击，攻击者可以通过精心设计的扰动使高性能的 ML 模型对样本进行错误分类。本研究旨在设计并构建一个轻量级的基于卷积神经网络（CNN）的图像恶意软件分类器，并评估其在白盒和黑盒设置下对抗攻击的鲁棒性。

2. 相关工作

• 基于图像的恶意软件检测 ：有研究提出将恶意软件二进制文件转换为灰度图像，并使用 k - 最近邻（k - NN）进行分类，准确率可达 98%。此后，许多研究采用恶意软件图像和可视化技术进行恶意软件分类。
• 针对基于图像的恶意软件分类器的对抗攻击 ：现有的一些对抗攻击旨在逃避基于图像的恶意软件分类器，但大多不能保留恶意软件的功能。例如，Park 等人使用快速梯度符号法（FGSM）和 Carlini & Wagner（C&W）攻击生成恶意软件样本的对抗图像，然后插入语义无操作（NOP）指令，但这可能会破坏可执行文件；Liu 等人使用 FGSM 攻击生成可逃避分类器的对抗图像，但生成的文件可能包含无意义的字符序列，破坏其功能；Vi 等人对图像的资源部分进行 FGSM 攻击，但可能导致 Windows PE 加载器无法加载恶意软件；Khormali 等人提出的 COPYCAT 方法使用对抗示例填充和样本注入攻击，但可能会改变恶意软件 PE 的偏移量，破坏其功能。

与现有工作不同，本研