[論文レビュー] AI assisted Malware Analysis: A Course for Next Generation Cybersecurity Workforce

Maanak Gupta, Sudip Mittal+1 more|arXiv (Cornell University)|Sep 21, 2020

Advanced Malware Detection Techniques被引用数 7

ひとこと要約

本論文は、急増するサイバーセキュリティ人材不足に対処するため、AI支援マルウェア分析をテーマとした実験中心の大学課程を提案する。6つのモジュール（脅威インテリジェンス、特徴抽出、検出、分類、敵対的学習、APT分析）を通じて、実際のマルウェアデータセットとAI/ML技術を統合し、scikit-learn、PyTorch、CleverHansなどのツールを用いて、マルウェア検出および防御における実践的スキルの習得を可能にする。

ABSTRACT

The use of Artificial Intelligence (AI) and Machine Learning (ML) to solve cybersecurity problems has been gaining traction within industry and academia, in part as a response to widespread malware attacks on critical systems, such as cloud infrastructures, government offices or hospitals, and the vast amounts of data they generate. AI- and ML-assisted cybersecurity offers data-driven automation that could enable security systems to identify and respond to cyber threats in real time. However, there is currently a shortfall of professionals trained in AI and ML for cybersecurity. Here we address the shortfall by developing lab-intensive modules that enable undergraduate and graduate students to gain fundamental and advanced knowledge in applying AI and ML techniques to real-world datasets to learn about Cyber Threat Intelligence (CTI), malware analysis, and classification, among other important topics in cybersecurity. Here we describe six self-contained and adaptive modules in "AI-assisted Malware Analysis." Topics include: (1) CTI and malware attack stages, (2) malware knowledge representation and CTI sharing, (3) malware data collection and feature identification, (4) AI-assisted malware detection, (5) malware classification and attribution, and (6) advanced malware research topics and case studies such as adversarial learning and Advanced Persistent Threat (APT) detection.

研究の動機と目的

• AIおよび機械学習を用いたマルウェア分析に熟練したサイバーセキュリティ専門職の深刻な不足を解消すること。
• 実践的ラボを活用して、理論的なAI/ML教育とサイバーセキュリティ分野における実用的応用のギャップを埋めること。
• 学部および大学院生がサイバーベネフィットインテリジェンス（CTI）、マルウェア分類、敵対的機械学習の応用的知識を習得できるようにすること。
• 産業界で求められるAI技術を学術カリキュラムに統合し、次世代のサイバーセキュリティ人材を育成すること。
• 機械学習およびサイバーセキュリティの基礎を前提条件とする、スケーラブルでモジュラーなカリキュラムを提供すること。

提案手法

• CTI、マルウェア知識表現、データ収集、AIベースの検出、分類、および高度なトピックをカバーする、6つの自己完結型で実験中心のモジュールを開発する。
• 分類モデルのトレーニングおよび評価に、Kaggleマルウェアデータセットなどの実世界データセットを活用する。
• 検出および分類タスクに、scikit-learn、PyTorch、TensorFlowなどのPythonフレームワークを用いてAI/MLアルゴリズムを実装する。
• CleverHansライブラリを用いたラボを通じて、敵対的例の生成と防御技術を導入し、敵対的機械学習技術を習得する。
• NISTガイドラインを活用して、組織のユースケースに基づいたマルウェア分類スキームを設計および評価する。
• 実際のランサムウェア攻撃およびAPTの事例研究を統合し、AIベースの検出を実世界のシナリオに文脈づけて提示する。

実験結果

リサーチクエスチョン

• RQ1 AIおよび機械学習をどのように効果的に学術カリキュラムに統合し、実世界のマルウェア分析に熟練した人材を育成できるか？
• RQ2 多様なマルウェアファミリーおよび攻撃ベクトルにわたるマルウェアの検出および分類に、最も効果的なAI/ML技術は何か？
• RQ3 実践的なラボ演習を通じて、教育現場で敵対的機械学習攻撃をどのように教授し、緩和できるか？
• RQ4 サイバーベネフィットインテリジェンス（CTI）は、AI支援マルウェア検出の正確性と文脈をどのように向上させるか？
• RQ5 モジュラーでラボ中心のコース構造は、理論的知識をはるかに超えて、AI駆動のサイバーセキュリティ分野における学生の熟練度をどのように向上させるか？

主な発見

• 本コースは、AIおよびML技術を実世界のマルウェアデータセットと効果的に統合し、学生がマルウェア検出および分類における実践的スキルを習得できるようにした。
• Kaggleデータセットを用いた特徴選択およびMLアルゴリズムを活用した学生の訓練により、9つのマルウェアファミリーへの分類精度が向上した。
• CleverHansを用いた敵対的例の生成および防御ラボでは、攻撃者がAIモデルをどのように操作できるか、および敵対的訓練を用いてモデルの頑健性を向上させる方法を学生が習得した。
• 実践的ラボと実世界の事例研究に重点を置いたコース構造は、AI支援サイバーセキュリティ分野における産業界の課題に的確に対応できる学生を効果的に育成した。
• NISTのマルウェア分類フレームワークをカリキュラムに統合することで、学生は組織のリスクおよび脅威文脈に基づいてインcidンツを優先順位付けできるようになった。
• 73％の大型企業がサイバーセキュリティ分野でAIをテストまたは導入しているにもかかわらず、この分野における応用的AI/ML教育を提供する学術プログラムが少ないことから、本コースは重要な人材不足を解消している。