38、Marlin:抵御ROP攻击的细粒度随机化方法

Marlin:抵御ROP攻击的细粒度随机化方法

1. 引言

软件漏洞利用的发展呈现出一场军备竞赛的态势。早期的栈溢出攻击逐渐演变为基于堆的代码注入攻击。为了应对这些攻击,防御者采用了诸如金丝雀字、指令集随机化、基地址随机化等技术。然而,攻击者总能找到绕过这些防御的方法,执行注入的恶意代码。随后,防御者引入了写执行(W ⊕ X)策略,防止注入代码的执行。为了绕过这一策略,返回导向编程(ROP)等代码复用攻击应运而生,攻击者利用现有代码而非注入自己的代码来实现恶意目的。

传统的地址空间布局随机化(ASLR)仅随机化代码段的起始地址,在32位机器上,由于可能的起始地址有限,系统容易受到暴力破解攻击。升级到64位虽然有所帮助,但并非通用解决方案,且攻击者可以利用信息泄漏绕过随机化防御。

我们提出的Marlin方法通过将应用二进制文件拆分为函数块并进行随机打乱,显著增加了系统的熵。这种方法可以应用于任何ELF二进制文件,无需源代码,并且在加载时透明执行,确保每次执行的进程内存映像都是唯一的。与其他方法相比,Marlin解决了现有方法的诸多局限性,提供了强大而高效的防御。

2. 背景和相关工作
2.1 返回导向编程(ROP)

ROP是一种从基于栈的缓冲区溢出发展而来的漏洞利用技术。攻击者通过精心构造软件栈上的地址序列,操纵ret指令语义,跳转到现有代码中的小二进制指令序列(gadgets)的起始地址,从而执行任意计算。ROP技术适用于多种架构,可用于创建rootkit、注入代码到哈佛架构以及在Android系统中进行权限提升等。

2.2 防御方法
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值