[논문 리뷰] Android HIV: A Study of Repackaging Malware for Evading Machine-Learning Detection

Xiao Chen, Chaoran Li외 6명|arXiv (Cornell University)|2018. 08. 10.

Advanced Malware Detection Techniques참고 문헌 44인용 수 318

한 줄 요약

이 논문은 현대의 기계학습 기반 안드로이드 악성코드 검출기들을 회피하기 위해 델바이크 바이트코드(classes.dex)에 직접 최적의 변형을 적용하는 새로운 적대적 공격 프레임워크인 Android HIV를 제안한다. 이는 권한이나 매니페스트 선언과 같은 문법적 특징이 아닌, 델바이크 바이트코드의 의미적 특징에 의존하는 검출기들을 대상으로 한다. 이 방법은 타겟 검출기의 행동을 근사하기 위해 딥 네트워크 대체 모델을 사용하여, 악성코드의 기능을 유지하면서도 MaMaDroid와 Drebin과 같은 최신 검출기에서 탐지율을 0%로 낮추는 변형을 생성한다. 이는 의미적 특징 기반 모델에 대해 효과적임을 입증한다.

ABSTRACT

Machine learning based solutions have been successfully employed for automatic detection of malware on Android. However, machine learning models lack robustness to adversarial examples, which are crafted by adding carefully chosen perturbations to the normal inputs. So far, the adversarial examples can only deceive detectors that rely on syntactic features (e.g., requested permissions, API calls, etc), and the perturbations can only be implemented by simply modifying application's manifest. While recent Android malware detectors rely more on semantic features from Dalvik bytecode rather than manifest, existing attacking/defending methods are no longer effective. In this paper, we introduce a new attacking method that generates adversarial examples of Android malware and evades being detected by the current models. To this end, we propose a method of applying optimal perturbations onto Android APK that can successfully deceive the machine learning detectors. We develop an automated tool to generate the adversarial examples without human intervention. In contrast to existing works, the adversarial examples crafted by our method can also deceive recent machine learning based detectors that rely on semantic features such as control-flow-graph. The perturbations can also be implemented directly onto APK's Dalvik bytecode rather than Android manifest to evade from recent detectors. We demonstrate our attack on two state-of-the-art Android malware detection schemes, MaMaDroid and Drebin. Our results show that the malware detection rates decreased from 96% to 0% in MaMaDroid, and from 97% to 0% in Drebin, with just a small number of codes to be inserted into the APK.

연구 동기 및 목표

• 델바이크 바이트코드에서 유도된 의미적 특징에 의존하는 현대의 안드로이드 악성코드 검출기의 취약성을 해결하기 위해.
• 최신 기계학습 기반 검출기들을 회피할 수 있는 실용적이고 자동화된 악성코드 예제 생성 방법을 개발하기 위해.
• 이전의 공격들이 권한이나 API 호출과 같은 문법적 특징에만 초점을 맞춘 한계를 극복하기 위해.
• 바이트코드에 직접 적용된 변형이 제어 흐름 그래프와 같은 복잡한 의미적 특징을 사용하는 검출기들조차도 회피할 수 있음을 입증하기 위해.
• 실제 적대적 시나리오를 시뮬레이션함으로써 현재 검출 시스템의 사전 보안 평가를 제공하기 위해.

제안 방법

• 타겟 악성코드 검출기의 행동을 근사하기 위해 딥 네트워크(비선형) 대체 모델을 훈련시어, 적대적 예제 생성을 위한 기울기 기반 최적화를 가능하게 한다.
• 대체 모델에 대해 화이트박스 공격 전략을 사용하여 최적의 변형을 계산함으로써, 실제 검출기와의 효과성을 확보한다.
• 변형은 APK의 델바이크 바이트코드(classes.dex)에 직접 적용되며, 원래 악성코드의 기능을 유지한다.
• 자동화된 도구를 개발하여 변형을 악성코드의 스말리 코드에 삽입하고, 인간 간섭 없이 APK를 재구성한다.
• APK 파일 구조와 기능 간 상호의존성을 존중함으로써, 수정된 APK가 유효하고 원래와 기능적으로 동일하게 유지되도록 보장한다.
• 공격은 실제 검출기들인 MaMaDroid(의미적 기반) 및 Drebin(문법적 및 의미적 기반)에 대해 블랙박스 공격으로 평가된다.

실험 결과

연구 질문

• RQ1 델바이크 바이트코드의 의미적 특징에 의존하는 현대의 안드로이드 악성코드 검출기들에 대해, 매니페스트의 문법적 특징이 아닌 곳에서 효과적인 적대적 예제를 생성할 수 있는가?
• RQ2 어떻게 바이트코드에 변형을 적용함으로써 악성코드의 기능을 유지하면서도 탐지로부터 회피할 수 있는가?
• RQ3 딥 네트워크 분류기 기반의 대체 모델이 블랙박스 검출 시스템의 적대적 예제 생성을 얼마나 효과적으로 이끌 수 있는가?
• RQ4 제안된 방법이 MaMaDroid와 Drebin과 같은 최신 검출기의 탐지율을 최소한의 코드 수정으로 0%로 낮출 수 있는가?
• RQ5 코드 삽입에서 APK 재구성에 이르기까지 전 과정을 자동화하는 것이 가능한가?

주요 결과

• 의미적 특징 기반 검출기인 MaMaDroid의 탐지율은 변형 적용 후 96%에서 0%로 감소하였다.
• 문법적 및 의미적 특징을 모두 사용하는 Drebin의 탐지율도 최소한의 코드 삽입으로 97%에서 0%로 감소하였다.
• 제어 흐름 그래프 기반 특징을 사용하는 검출기들조차도 성공적으로 회피함으로써, 이 공격이 문법적 특징 조작을 넘어서 효과적임을 입증하였다.
• 제안된 방법은 원래 악성코드와 기능적으로 동일한 적대적 예제를 생성하여, 모든 악성 행동을 유지하였다.
• 자동화된 도구는 인간 간섭 없이 적대적 APK의 엔드 투 엔드 생성을 가능하게 하여 실용성과 확장성을 높였다.
• 결과적으로 현재 최신 검출기들이 바이트코드 수준에서 변형이 적용된 경우에 적대적 공격에 취약함을 보여주며, 중요한 보안 격차를 드러냈다.