46、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，随着恶意软件数量的急剧增加，攻击者不断寻找方法来伪装恶意软件以逃避检测。本文提出了一种基于卷积神经网络（CNN）的图像分类器，评估其在黑盒和白盒设置下对抗保留恶意软件功能的攻击的鲁棒性。

2. 方法流程

• 整体框架 ：将恶意软件二进制文件转换为灰度图像，然后输入到CNN模型进行训练。在测试阶段，对恶意软件二进制文件应用4种对抗性机器学习攻击，将这些样本转换为图像后输入模型进行分类。

graph LR
    A[Malware Binaries] --> B[Convert to Gray-scale Images]
    B --> C[CNN Model Training]
    D[Malware Binaries at Testing] --> E[Apply 4 Adversarial Attacks]
    E --> F[Convert to Images]
    F --> G[CNN Model for Classification]

3. 网络架构

• 模型构建 ：分类器由使用TensorFlow软件库（特别是TensorFlow的高级API Keras）构建的卷积神经网络（CNN）组成。
• 训练环境 ：在运行MacOS Ven