[論文レビュー] Burning the Adversarial Bridges: Robust Windows Malware Detection Against Binary-level Mutations

Ahmed Abusnaina, Yizhen Wang+4 more|arXiv (Cornell University)|Oct 5, 2023

Advanced Malware Detection TechniquesComputer Science被引用数 3

ひとこと要約

本稿では、バイナリレベルの敵対的変更に対して耐性を持つマルウェア検出フレームワークを提案する。ソフトウェア事前処理（パディング除去、ストリッピング、セクション間情報リセット）と、セクション依存型特徴エンコーディングという新規のグラフベース手法を用い、セクションインジェクションなどの攻撃に対抗する。クリーンなサンプルでは88.32%のAUCを達成し、複合攻撃下でも88.19%を維持する。性能を犠牲にすることなく、強固な耐性を示している。

ABSTRACT

Toward robust malware detection, we explore the attack surface of existing malware detection systems. We conduct root-cause analyses of the practical binary-level black-box adversarial malware examples. Additionally, we uncover the sensitivity of volatile features within the detection engines and exhibit their exploitability. Highlighting volatile information channels within the software, we introduce three software pre-processing steps to eliminate the attack surface, namely, padding removal, software stripping, and inter-section information resetting. Further, to counter the emerging section injection attacks, we propose a graph-based section-dependent information extraction scheme for software representation. The proposed scheme leverages aggregated information within various sections in the software to enable robust malware detection and mitigate adversarial settings. Our experimental results show that traditional malware detection models are ineffective against adversarial threats. However, the attack surface can be largely reduced by eliminating the volatile information. Therefore, we propose simple-yet-effective methods to mitigate the impacts of binary manipulation attacks. Overall, our graph-based malware detection scheme can accurately detect malware with an area under the curve score of 88.32\% and a score of 88.19% under a combination of binary manipulation attacks, exhibiting the efficiency of our proposed scheme.

研究の動機と目的

• 最先端のマルウェア検出モデルがバイナリレベルの敵対的変更に対してどれほど脆弱であるかを調査すること。
• パディング、セクションインジェクション、セクション間ギャップの変更といったバイナリ操作攻撃で利用される、不安定な情報チャネルを同定および分析すること。
• マルウェアバイナリに利用可能な特徴を排除する、軽量で事前処理に基づく緩和技術を開発すること。
• セクションレベルの依存関係を捉えることで、敵対的変更に対して耐性を持つグラフベースのマルウェア表現を設計すること。
• 実世界の敵対的状況下で、機械学習モデルおよび業界標準の検出エンジンに対して、提案フレームワークの有効性を評価すること。

提案手法

• 著者らは、敵対的攻撃で操作可能な可変的特徴を排除するために、パディング除去、ソフトウェアストリッピング、セクション間情報リセットの3段階の事前処理を適用する。
• 異なるセクション間の関係をモデル化するグラフベースのセクション依存型情報抽出方式を導入し、より耐性のある表現を構築する。
• モノトニック特徴学習を用いることで、敵対的摂動に対する耐性を高めつつ、検出性能を維持する。
• グラフエンコーディングはセクション間の集約情報を捉え、バイナリ構造が変更されても悪意ある意図を検出可能にする。
• フレームワークは、4つの最先端のマルウェア検出モデルおよび5つの業界標準の検出エンジンを対象に、さまざまなバイナリレベル攻撃シナリオで評価されている。
• 本手法はエンドポイントデバイスに実装可能であり、リソースを食う動的解析に依存せず、軽量な静的解析に焦点を当てている。

実験結果

リサーチクエスチョン

• RQ1 パディングやセクションインジェクションといったバイナリレベルの敵対的変更に対して、既存のマルウェア検出モデルはどれほど脆弱であるか？
• RQ2 マルウェアバイナリにおける、成功する回避攻撃を可能にする主要な可変的情報チャネルは何か？
• RQ3 事前処理技術は、利用可能な特徴を効果的に排除し、マルウェア検出システムの攻撃表面を縮小できるか？
• RQ4 グラフベースでセクションに特化した表現は、バイナリレベルの敵対的変更に対してどれほど耐性を高められるか？
• RQ5 提案フレームワークは、ベースラインモデルと比較して、複合敵対的攻撃下でどのように性能を発揮するか？

主な発見

• 従来のマルウェア検出モデルは、バイナリレベルの敵対的攻撃で著しく性能が低下し、セクションインジェクションやバイナリパディング後に検出精度が著しく低下する。
• ソフトウェア事前処理技術（パディング除去、ストリッピング、セクション間リセット）は、可変的特徴を排除することで、大多数のバイナリレベル攻撃を効果的に緩和する。
• セクションインジェクション攻撃は依然として深刻な脅威であり、新しい実行可能セクションがバイナリに追加されるため、事前処理だけでは対策が不十分である。
• 提案されたグラフベースの表現は、クリーンなマルウェアサンプルで88.32%のAUCを達成し、バイナリ操作攻撃の複合状況下でも88.19%を維持する。これにより、強固な耐性が裏付けられた。
• グラフエンコーディングモデルは、セクションレベルの依存関係を捉えることで、モノリシック表現を上回り、構造的変更に対する検出耐性を強化する。
• 本研究は、既存の検出エンジンがブラックボックスでエンドポイントベースのバイナリ操作に対して脆弱であることを確認しており、耐性があり、アーキテクチャに配慮した検出フレームワークの必要性を示している。