[논문 리뷰] DomainGAN: Generating Adversarial Examples to Attack Domain Generation Algorithm Classifiers

Isaac Corley, Jonathan Lwowski외 1명|arXiv (Cornell University)|2019. 11. 14.

Advanced Malware Detection Techniques인용 수 8

한 줄 요약

이 논문은 도메인 특성과 유사한 악성 도메인을 생성하여 최신 DGA 분류기들을 회피하는 GAN 기반의 접근법인 DomainGAN을 제안한다. Wasserstein GAN with Gradient Penalty (WGANGP)를 포함한 세 가지 GAN 변종 중 WGANGP가 더 낮은 충돌률과 더 높은 회피율을 보이며, 우수한 사용성과 회피 능력을 바탕으로 공격적 용도로 가장 효과적임을 입증한다.

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.

연구 동기 및 목표

• 실제 양호한 도메인과 구분되지 않는 도메인을 생성함으로써 최신 딥러닝 기반 DGA 분류기를 회피할 수 있는 GAN 기반 도메인 생성 알고리즘(DGA)을 개발하는 것.
• 도메인 길이, n-gram 분포, 충돌률(반복 및 기존 도메인 충돌)을 분석하여 GAN으로 생성된 도메인의 공격적 사용성을 평가하는 것.
• GAN의 세 가지 변종(GAN, LSGAN, WGANGP)이 봇넷 C2 운영에 있어 회피 정확도와 실용성 측면에서 어떻게 성능을 내는지 비교하는 것.
• GAN으로 생성된 악성 샘플을 기반으로 기존 DGA 분류기를 미세조정하고 성능 저하 정도를 측정함으로써 방어적 함의를 평가하는 것.
• 도메인의 품질과 사용성을 향상시키기 위해 아키텍처나 손실 함수의 개선을 탐색하는 것.

제안 방법

• 실제 양호한 도메인의 분포를 학습하기 위해 Alexa Top 1 Million 데이터셋을 기반으로 표준 GAN, LSGAN, WGANGP 세 가지 GAN 변종을 훈련시켰다.
• 노이즈 벡터를 사용한 조건부 생성기로 도메인 문자열을 생성하였으며, C2 조율를 위해 결정론적 출력을 보장하였다.
• 실제 양호한 도메인과 GAN으로 생성된 도메인을 구분하기 위해 판별기 네트워크를 사용하였으며, 적대적 훈련을 통해 생성기를 최적화하였다.
• WGANGP에서는 훈련 안정성 향상과 모드 커버리지 향상을 위해 기울기 페널티를 적용하여 모드 붕괴를 감소시켰다.
• 5개의 최신 DGA 분류기(Invincea, CMU, MIT, NYU, Baseline)를 대상으로 생성된 도메인의 회피 성능을 측정하기 위해 평가를 수행하였다.
• 100만 개의 생성된 도메인을 대상으로 반복 도메인 충돌, 기존 도메인 충돌, 분류기 탐지율을 측정하여 사용성 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 GAN 기반 DGA는 기존 알고리즘 기반 DGA보다 현대적인 딥러닝 기반 DGA 분류기를 더 효과적으로 회피할 수 있는가?
• RQ2 반복 및 길이 제약 조건을 고려할 때, 표준 GAN, LSGAN, WGANGP 중 어떤 GAN 변종이 공격적 봇넷 운영에 가장 사용 가능한 도메인을 생성하는가?
• RQ3 GAN으로 생성된 악성 샘플을 기반으로 기존 DGA 분류기를 미세조정하면 그 탐지 성능에 어떤 영향을 미치는가?
• RQ4 GAN으로 생성된 도메인이 실제 양호한 도메인의 n-gram 분포와 얼마나 유사한가? 이는 도메인의 회피 잠재력 향상에 기여하는가?
• RQ5 어떤 아키텍처나 손실 함수의 수정이 GAN 기반 DGA의 사용성과 회피 능력을 더욱 향상시킬 수 있는가?

주요 결과

• WGANGP 변종은 Invincea DGA 분류기에서 56.43%의 도메인을 회피하는 데 성공하여 GAN(3.24%)과 LSGAN(36.01%)을 압도적으로 앞섰다.
• WGANGP로 생성된 도메인은 반복 도메인 충돌률(11.39%)과 기존 도메인 충돌률(11.39%)이 가장 낮아 공격적 배포에 가장 사용 가능성이 높았다.
• 기본 DGA 분류기는 GAN으로 생성된 도메인의 89.50%, LSGAN으로 생성된 도메인의 64.07%, WGANGP로 생성된 도메인의 89.50%를 탐지했으며, 이는 WGANGP로 생성된 도메인이 회피에 훨씬 더 효과적임을 시사한다.
• GAN으로 생성된 샘플을 기반으로 DGA 분류기를 미세조정하면 그 탐지 정확도가 떨어졌으며, 이는 실전 시스템에서 적대적 강인성의 필요성을 입증한다.
• WGANGP로 생성된 도메인은 실제 양호한 도메인과 더 유사한 n-gram 유사도를 보였고, 이전 GAN 기반 DGA에서 흔히 발생하는 짧은 도메인 문제를 피하여 실용적 사용성을 향상시켰다.
• 본 연구는 GAN 기반 DGA가 기존 알고리즘 기반 DGA보다 현대적인 DGA 분류기를 더 효과적으로 회피할 수 있음을 확인하였으며, WGANGP는 공격적 및 방어적 응용 모두에서 최적의 선택임을 입증한다.