[论文解读] GANG-MAM: GAN based enGine for Modifying Android Malware

G. Renjith, Sonia Laudanna+3 more|arXiv (Cornell University)|Sep 27, 2021

Advanced Malware Detection Techniques参考文献 6被引用 7

一句话总结

本文提出 GANG-MAM，一种基于 GAN 的框架，通过修改现有 Android 恶意软件的特征向量来生成对抗性特征向量，同时保持其恶意功能。该系统使用生成对抗网络（GAN）生成诱导规避的特征向量，再通过模块化 APK 修改引擎（MAM）对重打包的恶意软件应用这些向量，成功规避分类器，且核心行为未发生改变，已在 10 个真实 APK 上验证，运行时差异极小。

ABSTRACT

Malware detectors based on machine learning are vulnerable to adversarial attacks. Generative Adversarial Networks (GAN) are architectures based on Neural Networks that could produce successful adversarial samples. The interest towards this technology is quickly growing. In this paper, we propose a system that produces a feature vector for making an Android malware strongly evasive and then modify the malicious program accordingly. Such a system could have a twofold contribution: it could be used to generate datasets to validate systems for detecting GAN-based malware and to enlarge the training and testing dataset for making more robust malware classifiers.

研究动机与目标

• 开发一种能够生成可规避机器学习驱动的恶意软件检测器的对抗性 Android 恶意软件样本的系统。
• 通过生成规避性恶意软件变体，为恶意软件分类器创建大规模、鲁棒的训练与测试数据集。
• 通过提供可复现的工具生成此类样本，支持检测 GAN 生成恶意软件的研究。
• 通过自动化 APK 重新组装，确保在特征扰动后修改后恶意软件的功能完整性。
• 提供一个模块化、开源的工具，将基于 GAN 的特征生成与 APK 修改解耦，以支持研究中的灵活使用。

提出的方法

• 训练生成对抗网络（GAN），使其生成对给定恶意软件分类器具有对抗性的特征向量，使恶意软件呈现为良性。
• GAN 的输出为经过修改的特征向量，通过改变静态 APK 特性（如权限、组件和清单条目）诱导分类器规避。
• MAM（恶意软件修改器）引擎使用 Apktool 解析输入 APK，根据 GAN 生成的向量修改指定特征，并重建 APK。
• 该工具支持通过 smali 代码注入实现动态特征修改，适用于新活动、服务、广播接收器和内容提供者。
• 修改后的 APK 经签名后，在 Android 模拟器中使用 'monkey' 工具进行测试，以确保修改前后功能等价。
• 特征更改通过 CSV 输入文件指定，支持在无 GAN 组件的情况下独立使用 MAM 引擎。

实验结果

研究问题

• RQ1 GAN 是否能有效生成使 Android 恶意软件规避基于机器学习的分类器的特征向量？
• RQ2 在对抗性特征扰动后，修改后恶意软件的功能行为在多大程度上得以保持？
• RQ3 所提出的系统是否能够生成大规模、多样化且逼真的对抗性恶意软件样本，以用于训练和测试鲁棒分类器？
• RQ4 MAM 引擎在不改变其核心恶意功能的前提下，修改 APK 的有效性如何？
• RQ5 该工具是否可独立使用，以从预计算的特征向量生成修改后的 APK，从而实现在研究工作流中的模块化使用？

主要发现

• GANG-MAM 系统成功修改了 10 个真实世界的 Android APK，功能变化极小，执行日志在修改前后几乎完全一致。
• 在 10 个测试的 APK 中，执行日志仅出现 1–3 行差异，全部归因于非功能性因素（如时间戳或动态输入）。
• 在使用相同种子的 'monkey' 工具测试时，修改后的 APK 保持了原始行为和功能。
• 该系统表明，GAN 生成的对抗性特征向量可有效映射为 APK 结构中的具体可执行更改，且不会破坏应用程序。
• MAM 引擎成功处理了多种特征类型（权限、组件等），并支持针对新组件的 smali 级代码注入。
• 该工具在端到端模式（含 GAN）和独立模式（使用预计算的特征向量）下均完全可用，支持研究工作流中的灵活部署。