[论文解读] MalFox: Camouflaged Adversarial Malware Example Generation Based on C-GANs Against Black-Box Detectors.

Fangtian Zhong, Xiuzhen Cheng+4 more|arXiv (Cornell University)|Nov 3, 2020

Advanced Malware Detection Techniques参考文献 3被引用 5

一句话总结

MalFox 提出了一种基于卷积生成对抗网络（Conv-GAN）的框架，通过应用三种混淆技术——Obfusmal（代码混淆）、Stealmal（代码窃取）和 Hollowmal（代码重构）——生成能够绕过黑盒恶意软件检测器的对抗性恶意软件样本。该方法实现了 99.0% 的准确率，平均将检测率降低 56.8%，并使逃避率最高提升 56.2%。

ABSTRACT

Deep learning is a thriving field currently stuffed with many practical applications and active research topics. It allows computers to learn from experience and to understand the world in terms of a hierarchy of concepts, with each being defined through its relations to simpler concepts. Relying on the strong capabilities of deep learning, we propose a convolutional generative adversarial network-based (Conv-GAN) framework titled MalFox, targeting adversarial malware example generation against third-party black-box malware detectors. Motivated by the rival game between malware authors and malware detectors, MalFox adopts a confrontational approach to produce perturbation paths, with each formed by up to three methods (namely Obfusmal, Stealmal, and Hollowmal) to generate adversarial malware examples. To demonstrate the effectiveness of MalFox, we collect a large dataset consisting of both malware and benignware programs, and investigate the performance of MalFox in terms of accuracy, detection rate, and evasive rate of the generated adversarial malware examples. Our evaluation indicates that the accuracy can be as high as 99.0% which significantly outperforms the other 12 well-known learning models. Furthermore, the detection rate is dramatically decreased by 56.8% on average, and the average evasive rate is noticeably improved by up to 56.2%.

研究动机与目标

• 为应对恶意软件作者与安全检测器之间日益激烈的对抗，生成能够绕过检测的对抗性恶意软件。
• 开发一种生成框架，能够在无需白盒访问检测器的情况下，生成真实且具有逃避能力的恶意软件样本。
• 评估混淆技术在生成保持功能但能绕过检测的恶意软件方面的有效性。

提出的方法

• MalFox 采用卷积生成对抗网络（Conv-GAN）以端到端方式生成对抗性恶意软件样本。
• 通过三种不同的混淆方法——Obfusmal（代码混淆）、Stealmal（代码窃取）和 Hollowmal（代码重构）——生成对抗性路径。
• 该框架通过在真实恶意软件和良性软件样本上训练判别器，使生成器学习生成能够欺骗判别器的恶意软件。
• 通过对抗损失优化生成器，促使模型生成既逼真又不可检测的样本。
• 收集了一个大规模的恶意软件与良性软件程序数据集，用于模型的训练与评估。
• 该框架采用黑盒设置，即生成器无法访问目标检测器的内部结构。

实验结果

研究问题

• RQ1 基于 C-GAN 的框架能否有效生成能够绕过第三方黑盒恶意软件检测器的对抗性恶意软件？
• RQ2 Obfusmal、Stealmal 和 Hollowmal 三种混淆技术的组合如何提升生成恶意软件的逃避能力？
• RQ3 生成恶意软件的功能性与其在先进检测器面前的逃避率之间存在何种权衡？
• RQ4 MalFox 在准确率和逃避性能方面相较于现有学习模型有多大优势？

主要发现

• MalFox 在生成的对抗性恶意软件样本上实现了高达 99.0% 的分类准确率，显著优于其他 12 种知名学习模型。
• 与原始恶意软件样本相比，生成恶意软件的平均检测率降低了 56.8%。
• 与基线方法相比，MalFox 生成样本的平均逃避率最高提升了 56.2%。
• Obfusmal、Stealmal 和 Hollowmal 三种混淆技术的组合能够有效且隐蔽地绕过黑盒检测器。
• 由于 C-GAN 训练过程的鲁棒性，该框架在未见过的恶意软件样本上表现出强大的泛化能力。