基于显著性分析的恶意代码对抗样本生成方法.pdfVIP

第9卷第6期信息安全学报Vol.9No.6

2024年11月JournalofCyberSecurityNov.2024

基于显著性分析的恶意代码对抗样本生成方法

123111

詹达之,孙毅,张磊,刘鑫,郭世泽,潘志松

1陆军工程大学南京中国210001

2国防科技大学第六十三研究所南京中国210000

3军事科学院北京中国100091

摘要借助于人工智能技术的快速发展,深度学习模型越来越多得应用于恶意代码检测。由于深度学习模型具有更好的泛化性

能,使其可以处理新的、未知的恶意代码,能够更好地应对日益增长的恶意代码威胁。然而,深度学习模型容易收到对抗样本的

欺骗,即攻击者通过对样本进行微小的改动使模型预测错误。该脆弱性带来潜在的安全风险,导致恶意代码检测系统的鲁棒性

大大降低。研究深度学习模型与对抗样本之间的对抗机理,利用生成的对抗样本挖掘恶意代码检测模型的弱点,增强模型分类

的可解释性是评估和提高恶意代码检测系统鲁棒性的关键。因此,本文提出一种基于显著性分析的恶意代码对抗样本生成方法,

首先使用可解释性技术分析模型检测恶意代码时输入特征的显著值分布情况,并对深度学习模型分类恶意代码的决策进行解

释。然后挖掘PE文件中适合施加对抗扰动的非执行区域字节序列,并构建了基于显著性分析的恶意代码对抗样本生成框架

SAM。通过修改代码非执行区域中少量的关键字节,得到功能保留且能有效规避检测的对抗样本。实验结果表明,本文提出的

SAM方法在仅修改不超过1024个字节的情况下,生成的对抗样本在白盒模式下对MalConv模型实现了72.9%的规避成功率,黑

盒模式下的成功率也达到了45%,相较其他方法有明显提升。

关键词恶意代码检测;深度学习;对抗样本;显著性分析

中图法分类号TP309.5DOI号10.19363/J.10-1380/tn.2024.11.05

GeneratingAdversarialMalwareExamplesBasedon

SaliencyAnalysis

123111

ZHANDazhi,SUNYi,ZHANGLei,LIUXin,GUOShize,PANZhisong

1ArmyEngineeringUniversityofPLA,Nanjing210001,China

2TheSixty-thirdResearchInstitut