[论文解读] Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art

Xiang Ling, Lingfei Wu+10 more|arXiv (Cornell University)|Dec 23, 2021

Advanced Malware Detection Techniques被引用 6

一句话总结

本文全面综述了针对Windows PE恶意软件检测的对抗性攻击，系统性地对最先进攻击方法与防御措施进行分类。文章识别出PE恶意软件独有的三大挑战——格式保持、可执行性保持和恶意性保持，并基于输入操作、模型类型和攻击目标提出了一套攻击分类体系，为该不断发展的研究领域奠定了基础。

ABSTRACT

Malware has been one of the most damaging threats to computers that span across multiple operating systems and various file formats. To defend against ever-increasing and ever-evolving malware, tremendous efforts have been made to propose a variety of malware detection that attempt to effectively and efficiently detect malware so as to mitigate possible damages as early as possible. Recent studies have shown that, on the one hand, existing ML and DL techniques enable superior solutions in detecting newly emerging and previously unseen malware. However, on the other hand, ML and DL models are inherently vulnerable to adversarial attacks in the form of adversarial examples. In this paper, we focus on malware with the file format of portable executable (PE) in the family of Windows operating systems, namely Windows PE malware, as a representative case to study the adversarial attack methods in such adversarial settings. To be specific, we start by first outlining the general learning framework of Windows PE malware detection based on ML/DL and subsequently highlighting three unique challenges of performing adversarial attacks in the context of Windows PE malware. Then, we conduct a comprehensive and systematic review to categorize the state-of-the-art adversarial attacks against PE malware detection, as well as corresponding defenses to increase the robustness of Windows PE malware detection. Finally, we conclude the paper by first presenting other related attacks against Windows PE malware detection beyond the adversarial attacks and then shedding light on future research directions and opportunities. In addition, a curated resource list of adversarial attacks and defenses for Windows PE malware detection is also available at https://github.com/ryderling/adversarial-attacks-and-defenses-for-windows-pe-malware-detection.

研究动机与目标

• 识别并阐明针对Windows PE恶意软件执行对抗性攻击时所面临的独特挑战，包括格式保持、可执行性保持和恶意性保持。
• 基于输入操作、模型类型和攻击目标，系统性地对现有针对PE恶意软件检测的对抗性攻击方法进行分类。
• 回顾并整理最先进的防御机制，旨在提升PE恶意软件检测系统的鲁棒性。
• 指出关键的研究空白，包括缺乏基准平台以及对基于动态分析的检测关注不足。
• 提供精选的资源列表，并为未来在PE恶意软件检测中对抗性鲁棒性的研究提供指导。

提出的方法

• 本文对基于机器学习与深度学习的PE恶意软件检测系统中的对抗性攻击进行了系统性文献综述。
• 提出了一套基于输入转换技术（如代码插入、节操作）、模型类型（如静态分析与动态分析）和攻击目标（如逃避检测、投毒）的对抗性攻击分类体系。
• 通过分析PE文件的结构与语义约束，定义了三大核心挑战：格式保持、可执行性保持和恶意性保持的扰动。
• 采用对比视角评估现有攻击方法，强调其在真实部署场景中的隐蔽性与实用性。
• 讨论了当前搜索策略（如强化学习、遗传算法）的局限性，并呼吁开发更高效、更有效的优化技术。
• 主张开发一个标准化的基准平台，包含精选数据集、检测模型、攻击/防御实现代码及评估指标，以实现公平且可复现的研究。

实验结果

研究问题

• RQ1 在不破坏文件格式、可执行性或恶意意图的前提下，生成针对Windows PE恶意软件的对抗性样本面临哪些独特挑战？
• RQ2 针对PE恶意软件检测的对抗性攻击方法与计算机视觉或自然语言处理中的方法有何不同？针对PE二进制格式需要哪些特定适应？
• RQ3 当前针对基于静态分析与动态分析的PE恶意软件检测系统的最先进对抗性攻击策略有哪些？
• RQ4 为何目前缺乏用于评估PE恶意软件检测中对抗性攻击与防御的综合性基准平台？其后果是什么？
• RQ5 在混合（静态/动态）检测环境中，哪些未来研究方向最有可能推动PE恶意软件检测中对抗性鲁棒性的进步？

主要发现

• 针对PE恶意软件检测的对抗性攻击面临三大独特挑战：保持PE文件格式、维持可执行性以及保留恶意功能。
• 目前大多数对抗性攻击集中于基于静态分析的检测系统，而对动态分析和商业杀毒软件的探索仍显不足。
• 现有攻击方法通常依赖计算成本高昂的搜索策略，如强化学习或遗传算法，这限制了其可扩展性与执行速度。
• 目前在PE恶意软件检测中缺乏标准化的基准平台，严重阻碍了研究的可复现性与公平比较。
• 本文指出，更实用且隐蔽的转换方式（如拆分控制流图块）比简单的、易被检测的修改（如插入NOP指令）更具必要性。
• 本文提供了一个精选的GitHub代码库，包含对抗性攻击与防御方法，以支持未来研究与工具开发。