[论文解读] A Malware Classification Survey on Adversarial Attacks and Defences

Mahesh Datta Sai Ponnuru, Likhitha Amasala+2 more|arXiv (Cornell University)|Dec 15, 2023

Advanced Malware Detection Techniques被引用 4

一句话总结

本综述对深度学习在恶意软件分类中的对抗性攻击与防御进行了全面分析，将方法分类为生成模型、基于特征的方法、集成技术以及混合策略。它评估了这些方法的有效性、局限性及当前基准，为数据集、评估指标以及未来在恶意软件检测系统对抗鲁棒性研究中的开放性挑战提供了洞见。

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.

研究动机与目标

• 系统性回顾近期针对基于深度学习的恶意软件分类模型的对抗性攻击进展。
• 分析可增强深度学习模型对抗此类攻击鲁棒性的防御策略。
• 将现有方法分类并比较四类：生成模型、基于特征的方法、集成方法和混合策略。
• 基于标准数据集和评估标准，评估当前方法的性能、优势与局限性。
• 识别开放性研究挑战，并为对抗鲁棒性在恶意软件检测中的未来研究方向提供建议。

提出的方法

• 作者开展了一项结构化的文献综述，聚焦于恶意软件分类中的对抗性攻击与防御技术。
• 方法被划分为四类：生成模型（例如 GAN）、基于特征的方法（例如对抗性特征扰动）、集成方法（例如模型平均）以及结合多种技术的混合策略。
• 本研究基于攻击成功率、模型鲁棒性及计算效率对每种方法进行评估。
• 分析了 Malware-Benchmark 和 DREBIN 等标准数据集在基准测试中的一致性与代表性。
• 评估指标包括检测准确率、对抗性攻击成功率，以及在各类扰动类型下的鲁棒性。
• 本综述综合了各研究的发现，以突出当前研究中的趋势、空白以及方法论上的不一致之处。

实验结果

研究问题

• RQ1 用于攻击基于深度学习的恶意软件分类器的主要对抗性攻击类型有哪些？
• RQ2 诸如对抗性训练、输入预处理和集成模型等不同防御策略在缓解这些攻击方面的表现如何？
• RQ3 当前恶意软件检测中对抗性防御机制的关键局限性与权衡是什么？
• RQ4 该研究领域中最常使用的数据集和评估协议是什么？它们如何影响可复现性与泛化能力？
• RQ5 在对抗条件下构建鲁棒恶意软件分类系统方面，主要的开放性挑战与未来研究方向是什么？

主要发现

• 生成模型，特别是基于 GAN 的方法，在生成可逃避检测的对抗性恶意软件样本方面表现出高成功率。
• 基于特征的防御方法展现出中等鲁棒性，但通常需要事先了解恶意软件结构，且对输入表示敏感。
• 基于集成的防御通过结合多个模型的预测结果，提升了模型鲁棒性，降低了对定向攻击的脆弱性。
• 将对抗性训练与输入变换相结合的混合防御策略，在应对多种攻击类型时表现出更强的抗扰动能力。
• 尽管已有进展，但许多方法在跨数据集泛化能力方面表现较差，且评估协议缺乏标准化。
• 本研究指出，亟需建立标准化基准，并开发更具鲁棒性与可迁移性的防御机制，以提升实际应用中的可行性。