[論文レビュー] An Empirical Study of Malicious Code In PyPI Ecosystem

Wenbo Guo, Zhengzi Xu+4 more|arXiv (Cornell University)|Sep 20, 2023

Advanced Malware Detection TechniquesComputer Science被引用数 3

ひとこと要約

本論文は、PyPIエコシステムにおける悪意あるコードに関する大規模な実証的研究を提示し、PyPIミラーおよび他の複数のソースからの自動収集を通じて、4,669個の悪意あるパッケージから構成されるデータセットを構築した。その結果、50%を超える悪意あるパッケージが複数の行動を示しており、特に情報窃取とコマンド実行が顕著であることが判明した。また、74.81%の悪意あるパッケージがソースコードインストールによってユーザーのプロジェクトに成功裏に侵入しており、発見後も長期間にわたりミラーに残存しているケースが多数存在することが明らかになった。

ABSTRACT

PyPI provides a convenient and accessible package management platform to developers, enabling them to quickly implement specific functions and improve work efficiency. However, the rapid development of the PyPI ecosystem has led to a severe problem of malicious package propagation. Malicious developers disguise malicious packages as normal, posing a significant security risk to end-users. To this end, we conducted an empirical study to understand the characteristics and current state of the malicious code lifecycle in the PyPI ecosystem. We first built an automated data collection framework and collated a multi-source malicious code dataset containing 4,669 malicious package files. We preliminarily classified these malicious code into five categories based on malicious behaviour characteristics. Our research found that over 50% of malicious code exhibits multiple malicious behaviours, with information stealing and command execution being particularly prevalent. In addition, we observed several novel attack vectors and anti-detection techniques. Our analysis revealed that 74.81% of all malicious packages successfully entered end-user projects through source code installation, thereby increasing security risks. A real-world investigation showed that many reported malicious packages persist in PyPI mirror servers globally, with over 72% remaining for an extended period after being discovered. Finally, we sketched a portrait of the malicious code lifecycle in the PyPI ecosystem, effectively reflecting the characteristics of malicious code at different stages. We also present some suggested mitigations to improve the security of the Python open-source ecosystem.

研究の動機と目的

• 悪意あるPyPIパッケージのための公開可能で高品質なデータセットの不足を解消すること。
• 悪意あるコードのPyPIエコシステムにおけるライフサイクル（開発からユーザーへの侵入まで）を調査すること。
• 悪意あるパッケージの行動パターン、回避技術、実世界への影響を分析すること。
• Pythonのオープンソースエコシステムにおける検出・緩和の向上に役立つ実務的知見を提供すること。

提案手法

• PyPIミラーおよび複数の外部ソースから悪意あるパッケージを収集する自動化されたデータ収集フレームワークを構築した。
• 静的および動的解析を用いて、完全なパッケージ、コードスニペット、マルウェアサンプルを含む複数ソースのデータセット（4,669件の悪意あるコードインスタンス）を構築した。
• 静的および動的解析を用いて、行動ベースの5つのカテゴリに悪意あるパッケージを分類した。
• ヒューリスティックおよび機械学習手法を用いて、Pythonソースコード内の悪意あるコマンドおよびバックドアを検出した。
• ソースコードインストールによるパッケージの拡散を追跡し、グローバルなPyPIミラーにおける持続性を分析した。
• 実世界の事例研究を通じて、悪意あるパッケージがエンドユーザーのシステムに与える影響および侵入パターンを評価した。

実験結果

リサーチクエスチョン

• RQ1 RQ1: PyPIエコシステムにおける悪意あるコードの主な特徴とその出どころは何か。他のプラットフォームと比較するとどうなるか。
• RQ2 RQ2: 攻撃者は、オープンソースパッケージにコードを注入する際、どのような攻撃戦略と悪意ある行動を組み合わせるか。また、これらの戦術は複数のプラットフォームにわたりどのように進化するか。
• RQ3 RQ3: 既存の検出ツールは悪意あるパッケージをどれほど効果的に特定できるか。悪意あるパッケージは、それらを回避するためにどのような手法（例：静的・動的解析回避）を用いるか。
• RQ4 RQ4: 悪意あるパッケージのエンドユーザーシステムへの影響と侵入メカニズムは何か。主にどのオペレーティングシステムが標的とされているか。

主な発見

• PyPIエコシステムにおける50%を超える悪意あるパッケージが複数の悪意ある行動を示しており、特に情報窃取とコマンド実行が最も一般的な行動である。
• 74.81%の悪意あるパッケージがソースコードインストールによってエンドユーザーのプロジェクトに成功裏に侵入しており、主要な攻撃ベクトルであることが示された。
• 発見後も72%を超える報告済みの悪意あるパッケージが、グローバルなPyPIミラーサーバーで長期間にわたり利用可能であった。
• 悪意あるパッケージは主にLinuxシステムを標的にしており、プラットフォーム固有の攻撃戦略が用いられていることが示唆された。
• 攻撃者は、静的および動的解析ツールを回避するために、コードの難読化や動的ペイロード配信などの多様な自己回避技術を用いている。
• 本研究では、ソースコードとパッケージバイナリの不一致を介したサプライチェーン汚染という、新たな攻撃ベクトルを同定した。これは、ソフトウェアサプライチェーンにおける構造的リスクを浮き彫りにした。