[논문 리뷰] A Malware Classification Survey on Adversarial Attacks and Defences

Mahesh Datta Sai Ponnuru, Likhitha Amasala외 2명|arXiv (Cornell University)|2023. 12. 15.

Advanced Malware Detection Techniques인용 수 4

한 줄 요약

이 종합적 리뷰는 딥러닝을 활용한 악성코드 분류에서의 적대적 공격 및 방어 기법에 대한 포괄적인 분석을 제공하며, 생성 모델, 특징 기반 접근법, 앙상블 기법, 하이브리드 전략으로 분류한다. 각 기법의 효과성, 한계점 및 현재의 기준을 평가하여 데이터셋, 평가 지표, 향후 연구를 위한 열린 과제에 대한 통찰을 제공한다.

ABSTRACT

As the number and complexity of malware attacks continue to increase, there is an urgent need for effective malware detection systems. While deep learning models are effective at detecting malware, they are vulnerable to adversarial attacks. Attacks like this can create malicious files that are resistant to detection, creating a significant cybersecurity risk. Recent research has seen the development of several adversarial attack and response approaches aiming at strengthening deep learning models' resilience to such attacks. This survey study offers an in-depth look at current research in adversarial attack and defensive strategies for malware classification in cybersecurity. The methods are classified into four categories: generative models, feature-based approaches, ensemble methods, and hybrid tactics. The article outlines cutting-edge procedures within each area, assessing their benefits and drawbacks. Each topic presents cutting-edge approaches and explores their advantages and disadvantages. In addition, the study discusses the datasets and assessment criteria that are often utilized on this subject. Finally, it identifies open research difficulties and suggests future study options. This document is a significant resource for malware categorization and cyber security researchers and practitioners.

연구 동기 및 목표

• 딥러닝 기반 악성코드 분류 모델을 대상으로 한 적대적 공격의 최근 발전을 체계적으로 검토하기 위해.
• 이러한 공격에 대응하기 위한 방어 전략이 딥러닝 모델의 강건성 향상에 어떻게 기여하는지 분석하기 위해.
• 기존 접근법을 생성 모델, 특징 기반 방법, 앙상블 기법, 하이브리드 전략의 네 가지 범주로 분류하고 비교하기 위해.
• 표준 데이터셋과 평가 기준을 사용하여 현재 기법의 성능, 강점 및 한계점을 평가하기 위해.
• 적대적 강건성 향상을 위한 향후 연구를 위한 열린 과제를 식별하고 방향성을 제안하기 위해.

제안 방법

• 저자들은 악성코드 분류에서의 적대적 공격 및 방어 기법에 중점을 둔 체계적인 문헌 리뷰를 수행한다.
• 기법은 네 가지 유형으로 분류된다: 생성 모델(예: GANs), 특징 기반 접근법(예: 적대적 특징 변형), 앙상블 기법(예: 모델 평균화), 하이브리드 전략(다양한 기법을 조합함).
• 각 기법은 공격 성공률, 모델 강건성, 계산 효율성 기준으로 평가된다.
• Malware-Benchmark 및 DREBIN과 같은 표준 데이터셋은 벤치마킹에서의 일관성과 대표성을 분석하기 위해 사용된다.
• 평가 지표로는 검출 정확도, 적대적 공격 성공률, 다양한 변형 유형에 대한 강건성 등이 포함된다.
• 연구 간의 결과를 종합하여 현재 연구에서의 추세, 격차, 방법론적 일관성 문제를 부각시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 악성코드 분류기 대상으로 사용되는 주요 적대적 공격 유형은 무엇인가요?
• RQ2 적대적 훈련, 입력 전처리, 앙상블 모델 등의 다양한 방어 전략은 이러한 공격을 어떻게 완화하는가요?
• RQ3 악성코드 탐지에 대한 현재의 적대적 방어 메커니즘에서의 주요 한계점과 상충 관계는 무엇인가요?
• RQ4 이 연구 분야에서 가장 흔히 사용되는 데이터셋과 평가 프로토콜는 무엇이며, 이는 재현 가능성과 일반화에 어떻게 영향을 미치나요?
• RQ5 적대적 조건 하에서 강력한 악성코드 분류 시스템을 구축하기 위한 주요 열린 과제와 향후 연구 방향은 무엇인가요?

주요 결과

• 특히 GAN 기반 접근법을 포함한 생성 모델은 탐지 회피에 성공하는 적대적 악성코드 샘플을 제작하는 데 높은 성능을 보인다.
• 특징 기반 방어 방법은 중간 수준의 강건성을 보이지만, 악성코드 구조에 대한 사전 지식이 필요하고 입력 표현에 민감한 편이다.
• 다양한 모델의 예측을 조합함으로써 앙상블 기반 방어는 타겟 공격에 대한 취약성을 줄이며 모델의 강건성을 향상시킨다.
• 적대적 훈련과 입력 변환을 조합한 하이브리드 방어 전략은 다양한 공격 유형에 걸쳐 개선된 저항성을 보여준다.
• 진전이 있었음에도 불구하고, 많은 기법들이 데이터셋 간 일반화 능력이 떨어지고 평가 프로토콜의 표준화가 부족하다.
• 표준화된 벤치마크와 더 강력하고 이식 가능한 방어 메커니즘의 개발이 필수적임을 이 연구는 식별한다.