[論文レビュー] DomainGAN: Generating Adversarial Examples to Attack Domain Generation Algorithm Classifiers

Isaac Corley, Jonathan Lwowski+1 more|arXiv (Cornell University)|Nov 14, 2019

Advanced Malware Detection Techniques被引用数 8

ひとこと要約

本稿では、良性ドメインの特徴を模倣することで最先端のDGA分類器を回避するGANベースの手法、DomainGANを提案する。3つのGANバリエーション（Wasserstein GAN with Gradient Penalty（WGANGP）、GAN、LSGAN）を用い、衝突率が低く、回避率が高いドメインを生成する。その結果、WGANGPが優れた使いやすさと回避能力を兼ね備えており、攻撃的用途において最も効果的であることが判明した。

ABSTRACT

Domain Generation Algorithms (DGAs) are frequently used to generate numerous domains for use by botnets. These domains are often utilized as rendezvous points for servers that malware has command and control over. There are many algorithms that are used to generate domains, however many of these algorithms are simplistic and easily detected by traditional machine learning techniques. In this paper, three variants of Generative Adversarial Networks (GANs) are optimized to generate domains which have similar characteristics of benign domains, resulting in domains which greatly evade several state-of-the-art deep learning based DGA classifiers. We additionally provide a detailed analysis into offensive usability for each variant with respect to repeated and existing domain collisions. Finally, we fine-tune the state-of-the-art DGA classifiers by adding GAN generated samples to their original training datasets and analyze the changes in performance. Our results conclude that GAN based DGAs are superior in evading DGA classifiers in comparison to traditional DGAs, and of the variants, the Wasserstein GAN with Gradient Penalty (WGANGP) is the highest performing DGA for uses both offensively and defensively.

研究の動機と目的

• 実際の良性ドメインと区別がつかないドメインを生成することで、最先端の深層学習ベースDGA分類器を回避するGANベースのドメイン生成アルゴリズム（DGA）の開発。
• ドメイン長、n-gram分布、衝突率（繰り返し発生する衝突および既存ドメインとの衝突）を分析することで、GANで生成されたドメインの攻撃的使いやすさを評価。
• GANの3つのバリエーション（GAN、LSGAN、WGANGP）の回避精度とボットネットC2運用における実用性を比較。
• GANで生成された悪意あるサンプルを用いて既存のDGA分類器をファインチューニングし、性能低下を測定することで防御的インパクトを評価。
• ドメインの品質と使いやすさを向上させるために、アーキテクチャ的改善や損失関数の最適化を検討。

提案手法

• Alexa Top 1 Millionデータセットを用いて、標準GAN、LSGAN、WGANGPの3つのGANバリエーションを訓練し、実際の良性ドメインの分布を学習。
• ノイズベクトルを用いた条件付き生成器を採用し、C2連携のための決定論的出力を保証。
• 実際の良性ドメインとGANで生成されたドメインを区別するための識別器ネットワークを構築し、敵対的訓練により生成器を最適化。
• WGANGPでは勾配ペナルティを適用することで訓練を安定化させ、モードカバレッジを向上させ、モード崩壊を低減。
• 5つの最先端DGA分類器（例：Invincea、CMU、MIT、NYU、Baseline）に対して生成ドメインを評価し、回避性能を測定。
• 100万個の生成ドメインを対象に、繰り返しドメイン衝突、既存ドメインとの衝突、分類器による検出率を測定することで、使いやすさ分析を実施。

実験結果

リサーチクエスチョン

• RQ1 GANベースのDGAsは、従来のアルゴリズム的DGAsと比較して、現代の深層学習ベースDGA分類器をより効果的に回避できるか？
• RQ2 繰り返し衝突および長さ制約を考慮した場合、標準GAN、LSGAN、WGANGPのうちどのGANバリエーションがボットネット攻撃運用に最も使いやすいドメインを生成するか？
• RQ3 GANで生成された悪意あるサンプルを用いて既存のDGA分類器をファインチューニングした場合、その検出性能にどのような影響が生じるか？
• RQ4 GANで生成されたドメインは、実際の良性ドメインのn-gram分布とどの程度一致するか？これは、回避可能性を高める要因となるか？
• RQ5 アーキテクチャ的改善や損失関数の最適化により、GANベースDGAの使いやすさと回避能力をさらに向上できるか？

主な発見

• WGANGPバージョンは最高の回避率を達成し、Invincea DGA分類器による検出回避率が56.43%に達した。これは、GAN（3.24%）とLSGAN（36.01%）を大きく上回った。
• WGANGPで生成されたドメインは、繰り返しドメイン衝突率（11.39%）と既存ドメインとの衝突率（11.39%）が最低であり、攻撃的展開において最も使いやすい。
• Baseline DGA分類器は、GANで生成されたドメインの89.50%、LSGANの64.07%、WGANGPの89.50%を検出した。これは、WGANGPで生成されたドメインが回避に著しく優れていることを示している。
• GANで生成されたサンプルを用いてDGA分類器をファインチューニングした結果、その検出精度が低下した。これは、実システムにおいて敵対的耐性が求められることを示している。
• WGANGPは、実際の良性ドメインと類似したn-gram分布を示し、従来のGANベースDGAで見られる短いドメイン問題を回避した。これにより、実用的使いやすさが向上した。
• 本研究は、GANベースDGAが従来のアルゴリズム的DGAsよりも現代のDGA分類器を効果的に回避できることを確認した。特にWGANGPは攻撃的・防御的両用途において最適な選択肢である。