[논문 리뷰] Towards Robust Detection of Adversarial Infection Vectors: Lessons Learned in PDF Malware.

Davide Maiorca, Battista Biggio외 1명|arXiv (Cornell University)|2018. 11. 02.

Advanced Malware Detection Techniques인용 수 5

한 줄 요약

이 논문은 기계학습 기반 PDF 악성 소프트웨어 검출기의 공격에 대한 종합적인 분석을 제시하며, PDF 악성 소프트웨어 생성 기법의 분류 체계를 제안하고, 적대적 기계학습 프레임워크를 사용하여 이러한 검출기를 대상으로 하는 위협을 분류한다. 새로운 공격 벡터와 방어 기법을 규명함으로써, 적대적 사이버보안 환경에서의 강력한 검출 기술을 발전시킨다.

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.

연구 동기 및 목표

• 사이버공격에서 널리 퍼진 감염 벡터로 자리 잡은 PDF 악성 소프트웨어의 변화하는 환경를 이해하기 위해.
• 기계학습 기반 검출기가 적대적 조건에서 PDF 악성 소프트웨어를 탐지하는 데 있어 취약점을 분석하기 위해.
• 표준화된 적대적 기계학습 프레임워크를 사용하여 학습 기반 PDF 악성 소프트웨어 검출 시스템을 대상으로 하는 기존 및 신규 공격을 분류하기 위해.
• 이러한 적대적 위협의 영향을 완화할 수 있는 방어 기법을 식별하고 평가하기 위해.
• 향후 연구가 적대적 환경에서 더 강력한 악성 소프트웨어 검출 시스템을 구축하도록 이끌기 위해.

제안 방법

• 오염, 다형성, 그리고 피로드 전달 방식을 포함한 악성 PDF 파일 생성에 사용되는 기법들의 종합적인 분류 체계를 수립하였다.
• 학습 기반 PDF 악성 소프트웨어 검출기의 위협를 체계적으로 분류하기 위해 잘 정립된 적대적 기계학습 프레임워크를 적용하였다.
• 기존 검출 시스템을 분석하여 적대적 조작 조건에서의 특정 취약점을 규명하였다.
• PDF 분석 파이프라인의 모델 일반화 및 특징 추출 구성 요소를 악용하는 새로운 공격 벡터를 식별하였다.
• 적대적 훈련, 입력 정제, 모델 강건성 강화를 바탕으로 한 방어 기법을 제안하였다.
• 기존 공격 패tern에 대비한 위협 모델링 및 위협 시뮬레이션을 통해 방어 전략의 효과성을 평가하였다.

실험 결과

연구 질문

• RQ1 기계학습 기반 탐지 기술을 회피하기 위해 사용되는 주요 기법은 무엇인가요?
• RQ2 어떻게 적대적 기계학습 프레임워크를 활용하여 학습 기반 PDF 악성 소프트웨어 검출기를 대상으로 하는 위협을 체계적으로 분류할 수 있나요?
• RQ3 학습 기반 PDF 악성 소프트웨어 검출 시스템의 특징 추출 및 분류 구성 요소를 전용으로 공격하는 새로운 공격 벡터는 무엇이 있나요?
• RQ4 식별된 적대적 위협에 대비하여 PDF 악성 소프트웨어 검출에서 가장 효과적인 방어 기법은 무엇인가요?
• RQ5 적대적 사이버 환경에서 강력하고 일반화 가능한 악성 소프트웨어 검출 시스템을 구축하기 위한 핵심 연구 방향은 무엇인가요?

주요 결과

• 실제 공격에서 사용되는 공통적인 오염 및 회피 전략을 드러내는 PDF 악성 소프트웨어 생성 기법의 체계적 분류 체계가 수립되었다.
• 적대적 기계학습 프레임워크의 적용을 통해 이전까지 특성화되지 않았던 학습 기반 PDF 검출기를 대상으로 하는 위협들이 분류되었다.
• PDF 구조 및 메타데이터의 미세한 입력 변형에 민감한 모델의 특성에 악용되는 새로운 공격 벡터가 식별되었다.
• 적대적 훈련 및 입력 전처리를 포함한 방어 기법들이 공격 성공률을 낮추는 데 효과적이었지만, 완전히 제거하지는 못했다.
• 이 연구는 악성 소프트웨어 검출의 강건성은 정확도 중심의 모델에서 위협 모델 인식 기반의 시스템 설계로의 전환을 필요로 한다고 강조한다.
• 향후 검출 시스템은 문서 기반 공격 표면을 고려해 적대적 강건성을 기초부터 통합해야 한다는 점을 시사한다.