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

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

Advanced Malware Detection Techniques被引用 9

一句话总结

MalFox 提出了一种基于 Conv-GAN 的框架，可生成在功能上无法被区分的对抗性恶意软件样本，以绕过 VirusTotal 等黑盒恶意软件检测器。通过应用可自定义的扰动路径（Obfusmal、Stealmal、Hollowmal），其准确率达到 99.0%，平均检测率降低 56.8%，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

• 开发一种实用的黑盒对抗性恶意软件样本生成框架，无需了解模型架构或参数知识，即可绕过真实世界中的杀毒引擎。
• 解决在保持功能不变的前提下修改恶意软件文件，以逃避多种杀毒产品检测的挑战。
• 通过在 GAN 框架内集成灵活的多方法扰动流水线，增强恶意软件的逃避能力。
• 在大规模真实恶意软件与良性软件数据集上评估该框架，证明其在实际检测系统（如 VirusTotal）中的有效性。

提出的方法

• MalFox 采用五组件架构：PE 解析器、生成器、PE 编辑器、检测器（使用 VirusTotal）和判别器，全部集成在 Conv-GAN 框架中。
• 生成器利用恶意软件特征和高斯噪声生成扰动路径，旨在误导判别器将恶意软件分类为良性。
• 判别器被训练以区分真实恶意软件与生成的对抗性样本，形成最小最大博弈，从而提升扰动质量。
• PE 编辑器将生成的扰动路径应用于原始恶意软件二进制文件，确保在改变可检测特征的同时保持与原始文件的功能等价性。
• 检测器使用 VirusTotal 的杀毒引擎集合对对抗性样本进行标注，为判别器提供反馈，实现迭代优化。
• 该框架支持任意组合的扰动方法（Obfusmal、Stealmal、Hollowmal），实现灵活且自适应的逃避策略。

实验结果

研究问题

• RQ1 基于 GAN 的框架能否生成在功能上等同于原始恶意软件，但可绕过黑盒杀毒引擎检测的对抗性恶意软件样本？
• RQ2 与现有对抗性恶意软件生成方法相比，MalFox 在降低检测率和提高逃避率方面的有效性如何？
• RQ3 考虑到 VirusTotal 中各杀毒引擎采用不同的检测技术，MalFox 在跨多种杀毒引擎上的泛化能力如何？
• RQ4 将多种扰动方法（Obfusmal、Stealmal、Hollowmal）集成后，如何增强生成恶意软件的鲁棒性与逃避能力？
• RQ5 在真实检测环境中，对抗性样本的准确率与逃避性能之间存在何种权衡？

主要发现

• MalFox 的测试准确率达到 99.01%，显著优于所有 12 种基线模型，包括传统机器学习和深度学习模型。
• MalFox 转换后，恶意软件的平均检测率从 68.8% 降至 29.7%，检测率相对降低 56.8%。
• MalFox 生成的对抗性恶意软件样本的平均逃避率达到 56.2%，在所有 VirusTotal 扫描引擎中最高达 74.6%。
• 对于个别恶意软件样本，检测率降低最高可达 61.0%，表明其具备强大的迁移性和逃避能力。
• 该框架成功在 VirusTotal 中多种采用不同检测技术的杀毒引擎中实现逃避检测，证实其在真实环境中的鲁棒性。
• 多种扰动方法（Obfusmal、Stealmal、Hollowmal）的集成使 MalFox 能够探索更广阔的搜索空间，以寻找有效的逃避路径，从而整体提升性能。