[论文解读] Burning the Adversarial Bridges: Robust Windows Malware Detection Against Binary-level Mutations

Ahmed Abusnaina, Yizhen Wang+4 more|arXiv (Cornell University)|Oct 5, 2023

Advanced Malware Detection TechniquesComputer Science被引用 3

一句话总结

本文提出了一种对二进制级别对抗性变异具有鲁棒性的恶意软件检测框架，通过软件预处理（填充移除、剥离、段间信息重置）和一种新颖的基于图的、与段相关的特征编码方法，以应对如段注入等攻击。该方法在干净样本上达到88.32%的AUC，在组合攻击下仍保持88.19%的AUC，展现出强大的鲁棒性，且未牺牲性能。

ABSTRACT

Toward robust malware detection, we explore the attack surface of existing malware detection systems. We conduct root-cause analyses of the practical binary-level black-box adversarial malware examples. Additionally, we uncover the sensitivity of volatile features within the detection engines and exhibit their exploitability. Highlighting volatile information channels within the software, we introduce three software pre-processing steps to eliminate the attack surface, namely, padding removal, software stripping, and inter-section information resetting. Further, to counter the emerging section injection attacks, we propose a graph-based section-dependent information extraction scheme for software representation. The proposed scheme leverages aggregated information within various sections in the software to enable robust malware detection and mitigate adversarial settings. Our experimental results show that traditional malware detection models are ineffective against adversarial threats. However, the attack surface can be largely reduced by eliminating the volatile information. Therefore, we propose simple-yet-effective methods to mitigate the impacts of binary manipulation attacks. Overall, our graph-based malware detection scheme can accurately detect malware with an area under the curve score of 88.32\% and a score of 88.19% under a combination of binary manipulation attacks, exhibiting the efficiency of our proposed scheme.

研究动机与目标

• 研究最先进恶意软件检测模型对二进制级别对抗性变异的脆弱性。
• 识别并分析在二进制操作攻击（如填充、段注入和段间间隙修改）中被利用的易变信息通道。
• 开发轻量级、基于预处理的缓解技术，以消除恶意软件二进制文件中可被利用的特征。
• 设计一种基于图的恶意软件表示方法，以捕捉段级别的依赖关系，并增强对对抗性变异的鲁棒性。
• 在真实世界对抗性条件下，评估所提框架对机器学习模型和工业标准检测引擎的有效性。

提出的方法

• 作者应用三种预处理步骤——填充移除、软件剥离和段间信息重置，以消除可被攻击者操纵的易变特征。
• 他们提出一种基于图的、与段相关的资讯提取方案，通过建模二进制文件中不同段之间的关系，生成更具鲁棒性的表示。
• 该框架采用单调特征学习，以在提升对抗性扰动抵抗能力的同时保持检测性能。
• 图编码能够聚合跨段的信息，使模型即使在二进制结构被修改的情况下，仍能检测到恶意意图。
• 该方法在四种最先进恶意软件检测模型和五种工业标准检测引擎上，针对多种二进制级别攻击场景进行了评估。
• 该方法设计用于终端设备部署，专注于轻量级、静态分析，以避免依赖计算资源密集的动态分析。

实验结果

研究问题

• RQ1 现有恶意软件检测模型对填充和段注入等二进制级别对抗性变异有多脆弱？
• RQ2 恶意软件二进制文件中哪些关键的易变信息通道可被用于成功绕过攻击？
• RQ3 预处理技术能否有效消除可被利用的特征，并减少恶意软件检测系统的攻击面？
• RQ4 基于图的、与段相关的表示在多大程度上能提升对二进制级别对抗性变异的鲁棒性？
• RQ5 与基线模型相比，所提框架在组合对抗性攻击下的表现如何？

主要发现

• 传统恶意软件检测模型在二进制级别对抗性攻击下性能显著下降，段注入或二进制填充后检测准确率大幅降低。
• 软件预处理技术——填充移除、剥离和段间信息重置——能有效缓解大多数二进制级别攻击，通过消除易变特征。
• 段注入攻击仍是关键威胁，因为仅靠预处理无法解决，原因在于攻击中引入了新的可执行段。
• 所提出的基于图的表示在干净恶意软件样本上达到88.32%的AUC，在组合二进制操作攻击下仍保持88.19%的AUC，展现出强大的鲁棒性。
• 图编码模型优于单体表示，因其能捕捉段级别的依赖关系，从而增强对结构修改的检测鲁棒性。
• 研究证实，现有检测引擎易受黑盒、基于端点的二进制操作影响，凸显了构建鲁棒、架构感知检测框架的必要性。