[论文解读] secml-malware: A Python Library for Adversarial Robustness Evaluation of Windows Malware Classifiers.

Luca Demetrio, Battista Biggio|arXiv (Cornell University)|Apr 26, 2021

Advanced Malware Detection Techniques被引用 7

一句话总结

本论文介绍了 secml-malware，一个用于通过功能保持的代码变换实现白盒与黑盒攻击，评估 Windows 恶意软件分类器对抗鲁棒性的 Python 库。它支持自动化检测器脆弱性评估，并可扩展以支持新的攻击策略。

ABSTRACT

Machine learning has been increasingly used as a first line of defense for Windows malware detection. Recent work has however shown that learning-based malware detectors can be evaded by well-crafted, adversarial manipulations of input malware, highlighting the need for tools that can ease and automate the adversarial robustness evaluation of such detectors. To this end, we presentsecml-malware, the first Python library for computing adversarial attacks on Windows malware detectors. secml-malware implements state-of-the-art white-box and black-box attacks on Windows malware classifiers, by leveraging a set of functionality-preserving manipulations that can be applied to Windows programs without corrupting their functionality. The library can be used to assess the adversarial robustness of Windows malware detectors, and it can be easily extended to include novel attack strategies. It is available at this https URL.

研究动机与目标

• 为应对基于机器学习的 Windows 恶意软件检测器中日益增长的对抗性规避威胁。
• 提供一种自动化评估对抗性干扰鲁棒性的工具。
• 通过功能保持的代码转换，支持白盒与黑盒攻击。
• 支持集成新型对抗性攻击策略的可扩展性。
• 通过系统化的对抗性测试，提升恶意软件检测系统的安全验证能力。

提出的方法

• 该库在 Windows 恶意软件分类器上实现了白盒与黑盒对抗性攻击。
• 它利用保持功能的代码变换，在维持程序行为的同时规避检测。
• 攻击通过不破坏功能的变换应用于 PE（可移植可执行）文件。
• 该框架与现有的机器学习恶意软件分类流水线集成。
• 它支持基于查询的（黑盒）和基于梯度的（白盒）攻击策略。
• 该库设计为可扩展，以支持未来新型攻击技术的集成。

实验结果

研究问题

• RQ1 白盒与黑盒对抗性攻击在规避最先进的 Windows 恶意软件分类器方面效果如何？
• RQ2 在不破坏功能的前提下，对抗性扰动可应用于 Windows 可执行文件的程度有多大？
• RQ3 标准化且可重用的库能否提升对抗性鲁棒性评估的可重现性与自动化水平？
• RQ4 不同类型的对抗性变换下，恶意软件检测器的鲁棒性如何变化？
• RQ5 构建可扩展且可扩展的恶意软件分类器对抗性测试框架的关键技术需求是什么？

主要发现

• secml-malware 库成功实现了通过功能保持变换对 Windows 恶意软件检测器的白盒与黑盒攻击。
• 使用该库生成的对抗性样本在保持原始程序功能的同时成功规避了检测。
• 该库为评估恶意软件检测系统中的对抗性鲁棒性提供了可重用且可扩展的框架。
• 该方法实现了对检测器对抗性攻击脆弱性的自动化与系统化评估。
• 该工具支持集成到现有的机器学习流水线中，用于恶意软件分类与鲁棒性测试。
• 该库可供公众使用，并可扩展以集成新的攻击策略。