面向恶意软件检测的图神经网络语义保持强化学习攻击

Sep, 2020

面向恶意软件检测的图神经网络语义保持强化学习攻击

Semantic-preserving Reinforcement Learning Attack Against Graph Neural Networks for Malware Detection

Lan Zhang, Peng Liu, Yoon-Ho Choi, Ping Chen

TL;DR本篇论文提出了一种利用强化学习生成具有语义保持（即功能保持）特性的恶意软件攻击方法，以对抗黑盒图神经网络（GNN）对恶意软件的检测，实验结果表明该方法可以显著提高逃避检测率。

Abstract

As an increasing number of deep-learning-based malware scanners have been proposed, the existing evasion techniques, including code obfuscation and polymorphic malware, are found to be less effective. In this work, we propose a →

deep learning malware scanners reinforcement learning semantics-preserving attack graph neural networks

发现论文，激发创造

以围棋棋盘为图：强化学习下无梯度节点注入攻击的图神经网络

本研究针对图神经网络的黑盒节点插入攻击问题，提出了基于强化学习框架的渐进式无梯度节点插入攻击方法，并通过对八个基准数据集的广泛实验表明其在攻击效率和攻击成功率方面均优于现有攻击方法。

Nov, 2022

基于对抗字级语言模型的二进制黑盒逃避攻击：针对基于深度学习的静态恶意软件检测器

本文提出了一种基于深度学习的 MalRNN 方法来生成恶意软件的变种，无需访问目标防病毒模型的规格、置信度分数或动态恶意软件分析等限制，同时对三个深度学习恶意软件检测器进行了有效的躲避，具有较强的实用价值。

Dec, 2020

AttackGNN: 使用强化学习在硬件安全中对 GNN 进行红队攻击

该研究通过针对硬件安全中的基于图神经网络技术的攻击，提出了 AttackGNN 方法，并通过生成对抗性示例，即电路，来欺骗这些技术。通过攻击，成功地生成了能欺骗所有测试电路的对抗电路，包括知识产权盗版、硬件木马侦测 / 定位、电路逆向工程和硬件混淆等四类硬件安全问题。

Feb, 2024

图神经网络黑盒节点注入攻击

本文通过建立节点注入攻击的马尔科夫决策过程模型，提出了一种基于强化学习框架（GA2C）的节点注入方法，将注入节点结构化地插入原图中。研究结果表明，与现有最先进的方法相比，本文提出的 GA2C 方法具有更高的注入成功率和分类误差率。

Feb, 2022

通过重连对图卷积网络进行攻击

本文提出了一种针对图神经网络的对抗攻击方法，通过图重连的操作，使用强化学习生成对于目标模型影响较小的扰动，并在真实图数据集上进行实验及分析，证明该方法的有效性。

Jun, 2019

SADA：自主应用程序语义对抗性诊断攻击

为了解决深度神经网络的鲁棒性问题，文中提出了一种针对训练代理的通用框架，覆盖了对代理环境进行语义扰动和像素级攻击的情况，主要针对自主导航的几个方面，BBGAN 攻击可以生成一致愚弄训练代理的失败案例。

Dec, 2018

制作有效的恶意软件对抗样本

应用强化学习算法生成对抗性恶意文件可以有效绕过大多数杀毒软件，揭示了基于机器学习的恶意软件检测系统易受对抗性攻击的脆弱性。

Jun, 2023

基于 RNN 的恶意软件检测算法的黑盒攻击

本文提出了一种新颖的算法来生成顺序敌对示例，并用于攻击基于循环神经网络的恶意软件检测系统，结果表明 RNN 基础恶意软件检测算法无法检测到大多数生成的恶意敌对示例，这意味着该提出的模型能够有效地绕过检测算法。

May, 2017

基于深度强化学习的逃避式生成对抗网络用于僵尸网络检测

本文提出一种名为 RELEVAGAN 的 GAN 模型，结合深度强化学习（DRL）产生语义感知的样本以抵抗对基于机器学习的僵尸网络检测器的对抗性规避攻击。

Oct, 2022

图神经网络上的硬标签黑盒节点注入攻击

该研究提出了第一种针对图神经网络的非目标黑盒节点注入攻击方法，通过限制优化过程来实现节点注入攻击，并在三个数据集上评估攻击的性能。

Nov, 2023