[论文解读] Emulating malware authors for proactive protection using GANs over a distributed image visualization of dynamic file behavior

Vineeth S. Bhaskara, Debanjan Bhattacharyya|arXiv (Cornell University)|Jul 19, 2018

Advanced Malware Detection Techniques被引用 8

一句话总结

本文提出了一种基于生成对抗网络（GAN）的框架，通过在动态文件行为的分布式RGB图像表示上进行训练，生成合成恶意软件，从而实现主动威胁检测。通过将API调用n-gram编码为图像，该模型能够通过噪声向量算术生成新颖且语义一致的恶意软件变体，提升对未知威胁的检测能力。

ABSTRACT

Malware authors have always been at an advantage of being able to adversarially test and augment their malicious code, before deploying the payload, using anti-malware products at their disposal. The anti-malware developers and threat experts, on the other hand, do not have such a privilege of tuning anti-malware products against zero-day attacks pro-actively. This allows the malware authors to being a step ahead of the anti-malware products, fundamentally biasing the cat and mouse game played by the two parties. In this paper, we propose a way that would enable machine learning based threat prevention models to bridge that gap by being able to tune against a deep generative adversarial network (GAN), which takes up the role of a malware author and generates new types of malware. The GAN is trained over a reversible distributed RGB image representation of known malware behaviors, encoding the sequence of API call ngrams and the corresponding term frequencies. The generated images represent synthetic malware that can be decoded back to the underlying API call sequence information. The image representation is not only demonstrated as a general technique of incorporating necessary priors for exploiting convolutional neural network architectures for generative or discriminative modeling, but also as a visualization method for easy manual software or malware categorization, by having individual API ngram information distributed across the image space. In addition, we also propose using smart-definitions for detecting malwares based on perceptual hashing of these images. Such hashes are potentially more effective than cryptographic hashes that do not carry any meaningful similarity metric, and hence, do not generalize well.

研究动机与目标

• 通过使反恶意软件系统能够主动模拟恶意软件作者，以解决对抗性测试中的不平衡问题。
• 通过建模行为模式而非文件签名，克服加密哈希在检测零日恶意软件方面的局限性。
• 通过生成具有真实行为语义的合成恶意软件，使深度学习模型能够主动发现未知漏洞。
• 开发一种可逆的恶意软件行为图像表示，以同时保留语义结构，适用于可视化和机器学习。
• 探索潜在空间中的向量算术，将已知恶意软件的行为特征组合成新型混合恶意软件模式。

提出的方法

• 使用API调用n-gram和词频编码，将动态文件行为转换为可逆的分布式RGB图像表示。
• 在图像表示上训练深度卷积GAN，以学习恶意行为的分布并生成新的合成恶意软件图像。
• 使用生成器网络从潜在噪声向量中采样新的恶意软件表示，实现对新型恶意软件行为的可控生成。
• 在潜在空间中应用噪声向量算术（例如，$ \vec{z}_{\text{A}} - \vec{z}_{\text{B}} + \vec{z}_{\text{C}} $），将多个恶意软件样本的行为特征组合成混合变体。
• 将生成的图像解码回API调用序列，以验证语义一致性和行为合理性。
• 在图像表示上实现感知哈希，基于视觉相似性检测恶意软件家族，相比加密哈希具有更好的泛化能力。

实验结果

研究问题

• RQ1 能否有效在图像化动态恶意软件行为上训练深度生成模型（如GAN），以生成逼真的合成恶意软件？
• RQ2 该图像表示是否保留了足够的语义信息，以实现API调用序列和行为模式的准确解码？
• RQ3 GAN潜在空间中的向量算术是否能够通过组合多个恶意软件样本的特征，生成语义连贯的混合恶意软件行为？
• RQ4 与传统加密哈希相比，图像表示的感知哈希是否能提升恶意软件家族的检测能力？
• RQ5 该框架在多大程度上可通过模拟对抗性测试，在真实部署前实现主动威胁检测？

主要发现

• 图像表示成功将API调用n-gram和词频编码为与卷积神经网络兼容的格式，支持有效的生成与判别建模。
• GAN生成器生成的合成恶意软件图像可被解码回有意义的API调用序列，证明了生成行为的语义保真度。
• 潜在空间中的噪声向量算术生成了保留连贯恶意语义的混合恶意软件表示，例如注册表修改和远程命令执行。
• 图像表示的感知哈希能够基于视觉相似性检测恶意软件家族，相比加密哈希具有更好的泛化能力。
• 该模型通过生成合成恶意软件模拟对抗性测试，实现了主动威胁检测，显著缩短了零日威胁的暴露窗口。
• 该方法表明，深度学习的架构工程可被适配于可执行行为建模，即使在无源代码访问的情况下亦可实现。