[論文レビュー] MalFox: Camouflaged Adversarial Malware Example Generation Based on C-GANs Against Black-Box Detectors.

Fangtian Zhong, Xiuzhen Cheng+4 more|arXiv (Cornell University)|Nov 3, 2020

Advanced Malware Detection Techniques参考文献 3被引用数 5

ひとこと要約

MalFoxは、Obfusmal、Stealmal、Hollowmalの3つの摂動技術を用いて、ブラックボックス型マルウェア検出器を回避するためのConv-GANベースのフレームワークを提案する。99.0%の精度を達成し、平均で検出率を56.8%低下させ、エヴァージョン率を最大56.2%向上させる。

ABSTRACT

Deep learning is a thriving field currently stuffed with many practical applications and active research topics. It allows computers to learn from experience and to understand the world in terms of a hierarchy of concepts, with each being defined through its relations to simpler concepts. Relying on the strong capabilities of deep learning, we propose a convolutional generative adversarial network-based (Conv-GAN) framework titled MalFox, targeting adversarial malware example generation against third-party black-box malware detectors. Motivated by the rival game between malware authors and malware detectors, MalFox adopts a confrontational approach to produce perturbation paths, with each formed by up to three methods (namely Obfusmal, Stealmal, and Hollowmal) to generate adversarial malware examples. To demonstrate the effectiveness of MalFox, we collect a large dataset consisting of both malware and benignware programs, and investigate the performance of MalFox in terms of accuracy, detection rate, and evasive rate of the generated adversarial malware examples. Our evaluation indicates that the accuracy can be as high as 99.0% which significantly outperforms the other 12 well-known learning models. Furthermore, the detection rate is dramatically decreased by 56.8% on average, and the average evasive rate is noticeably improved by up to 56.2%.

研究の動機と目的

• マルウェア作者とセキュリティ検出器の間の継続的な技術的対抗を是とするために、検出を回避できる悪意あるマルウェアを生成すること。
• 白ボックスアクセスを必要とせず、現実的で検出を回避可能なマルウェア例を生成できる汎用フレームワークの開発。
• 摂動技術の有効性を評価し、機能を維持したまま検出を回避できるマルウェアの生成を目的とする。

提案手法

• MalFoxは、エンドツーエンドで悪意あるマルウェア例を生成するため、畳み込み生成対抗ネットワーク（Conv-GAN）を採用する。
• 悪意あるパスを生成するために、3つの異なる摂動手法—Obfusmal（コードの難読化）、Stealmal（コードの盗用）、Hollowmal（コード構造の再編）—を適用する。
• 本フレームワークは、実際のマルウェアおよび良性ソフトウェアのサンプルで訓練された識別器を学習する生成器を訓練する。
• 生成器は、敵対的損失を通じて最適化され、モデルが現実的で検出不能な例を生成するよう促進される。
• モデルの訓練および評価に使用するため、大規模なマルウェアおよび良性ソフトウェアプログラムのデータセットを収集する。
• 生成器がターゲット検出器の内部構造にアクセスできないブラックボックス設定を採用する。

実験結果

リサーチクエスチョン

• RQ1 C-GANベースのフレームワークは、第三者のブラックボックス型マルウェア検出器を効果的に回避できる悪意あるマルウェア例を生成できるか？
• RQ2 Obfusmal、Stealmal、Hollowmalの組み合わせた摂動技術は、生成されたマルウェアのエヴァージョン能力にどのように寄与するか？
• RQ3 生成されたマルウェアの機能性と、最先端の検出器に対するエヴァージョン率のトレードオフはどのようなものか？
• RQ4 MalFoxは、精度およびエヴァージョンパフォーマンスの面で、既存の学習モデルをどの程度上回るか？

主な発見

• MalFoxは、生成された悪意あるマルウェア例において最大99.0%の分類精度を達成し、他の12種類の代表的な学習モデルを著しく上回る。
• 生成されたマルウェアの平均検出率は、元のマルウェアサンプルと比較して56.8%低下する。
• MalFoxが生成した例の平均エヴァージョン率は、ベースライン手法と比較して最大56.2%向上する。
• Obfusmal、Stealmal、Hollowmalの摂動技術の組み合わせにより、ブラックボックス検出器の効果的かつ静かなる回避が可能になる。
• C-GANの訓練プロセスの頑健さのおかげで、未学習のマルウェアサンプルに対しても強力な一般化能力を示す。