[論文レビュー] Towards Robust Detection of Adversarial Infection Vectors: Lessons Learned in PDF Malware.

Davide Maiorca, Battista Biggio+1 more|arXiv (Cornell University)|Nov 2, 2018

Advanced Malware Detection Techniques被引用数 5

ひとこと要約

本論文は、機械学習ベースのPDFマルウェア検出器を標的にした悪意ある攻撃について包括的な分析を提示し、PDFマルウェア生成技術の分類法を提案するとともに、敵対的機械学習フレームワークを用いてこれらの検出器を標的にした脅威を分類している。本研究では、新たな攻撃ベクトルと防御メカニズムを同定し、敵対的サイバーセキュリティ環境下での堅牢な検出を前進させた。

ABSTRACT

Malware still constitutes a major threat in the cybersecurity landscape, also due to the widespread use of infection vectors such as documents. These infection vectors hide embedded malicious code to the victim users, facilitating the use of social engineering techniques to infect their machines. Research showed that machine-learning algorithms provide effective detection mechanisms against such threats, but the existence of an arms race in adversarial settings has recently challenged such systems. In this work, we focus on malware embedded in PDF files as a representative case of such an arms race. We start by providing a comprehensive taxonomy of the different approaches used to generate PDF malware, and of the corresponding learning-based detection systems. We then categorize threats specifically targeted against learning-based PDF malware detectors, using a well-established framework in the field of adversarial machine learning. This framework allows us to categorize known vulnerabilities of learning-based PDF malware detectors and to identify novel attacks that may threaten such systems, along with the potential defense mechanisms that can mitigate the impact of such threats. We conclude the paper by discussing how such findings highlight promising research directions towards tackling the more general challenge of designing robust malware detectors in adversarial settings.

研究の動機と目的

• サイバー攻撃における広範な感染経路としてのPDFマルウェアの進化する状況を理解すること。
• 敵対的条件下における機械学習ベースの検出器がPDFマルウェアを検出する際の脆弱性を分析すること。
• 標準化された敵対的機械学習フレームワークを用いて、学習ベースのPDFマルウェア検出システムを標的にした既知および新規の攻撃を分類すること。
• こうした敵対的脅威の影響を軽減できる防御メカニズムを同定および評価すること。
• 今後の研究が、敵対的環境下でのより堅牢なマルウェア検出システムの構築に向けて導かれるべき方向性を示すこと。

提案手法

• 悪意あるPDFファイルを生成するために用いられる技術、すなわちオブスクリュエーション、ポリモルフィズム、ペイロード配信手法を含む、包括的な分類法の構築。
• 学習ベースのPDFマルウェア検出器を標的にした脅威を体系的に分類するために、広く知られた敵対的機械学習フレームワークの適用。
• 敵対的改ざん下での特定の脆弱性を同定するために、既存の検出システムの分析。
• PDF分析パイプラインにおけるモデルの一般化能と特徴抽出の感度を狙った、新たな攻撃ベクトルの同定。
• 敵対的訓練、入力のクリーニング、モデルの堅牢性強化に基づく防御メカニズムの提案。
• 既知の攻撃パターンを念頭に置いた脅威モデリングと脅威エミュレーションを通じて、防御戦略の有効性の評価。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースの検出を回避するために用いられる主なPDFマルウェア生成技術は何か？
• RQ2 敵対的機械学習フレームワークをどのように応用することで、PDFマルウェア検出器を標的にした脅威を体系的に分類できるか？
• RQ3 学習ベースのPDFマルウェア検出システムの特徴抽出および分類部を標的にした、具体的な新たな攻撃ベクトルは何か？
• RQ4 同定された敵対的脅威に対して、どの防御メカニズムが最も効果的か？
• RQ5 敵対的サイバー環境下で、堅牢で汎用性のあるマルウェア検出システムを構築するにあたり、どのような主要な研究分野が重要か？

主な発見

• 実世界の攻撃でよく見られるオブスクリュエーションおよび回避戦略を明らかにする、PDFマルウェア生成技術の体系的分類が確立された。
• 敵対的機械学習フレームワークの適用により、これまで特徴づけられていなかった学習ベースのPDF検出器を標的にした脅威の分類が可能になった。
• PDF構造およびメタデータにおける微小な入力摂動に対するモデル感受性を狙った、新たな攻撃ベクトルが同定された。
• 敵対的訓練や入力前処理などの防御メカニズムは、攻撃成功確率の低減に効果的であることが示されたが、完全に排除するものではなかった。
• 本研究では、精度中心のモデルから、脅威モデリングに配慮したシステム設計へのシフトが、マルウェア検出の堅牢性に不可欠であると強調している。
• 今後の検出システムは、文書ベースの攻撃表面を念頭に、敵対的堅牢性を構築の基盤から統合する必要があると示唆している。