Oct, 2023

夷为平地：机器学习钓鱼网页检测器上高效的敌对 HTML 攻击

PDF
TL;DR通过黑盒优化算法，我们设计了一种新颖的细粒度修改方式，能够在不损害恶意性和视觉外观的情况下修改输入钓鱼网页的 HTML 代码，从而成功绕过目标检测器，破坏当前最先进的机器学习防钓鱼网页检测系统的性能，仅使用 30 个查询就能击败以前的攻击方法，并实现对机器学习防钓鱼网页检测系统更公正的鲁棒性评估。
发现论文，激发创造
  • 通过 HTML 内容的多模型分析来检测钓鱼网站

    通过引入一种先进的检测模型，该研究解决了网络钓鱼的紧迫问题，并通过结合多层感知器（MLP）模型和两个预训练的自然语言处理（NLP）模型的嵌入来获得卓越的性能，特别是在分析页面标题和内容上。

    Jan, 2024

  • 黑盒环境下查询效率攻击的强基准

    该研究提出了一种查询效率高的攻击策略来生成文本分类和蕴含任务中的可信对抗性样例，并通过使用注意力机制和局部敏感哈希来减少查询次数。对三个不同的搜索空间使用四种基线进行比较，平均来说我们在所有数据集和目标模型中将查询次数降低了 75％。在受限查询设置中，与以前的攻击相比，我们的攻击成功率更高。

    Sep, 2021

  • 对抗性 Windows 恶意软件的保留功能性黑盒优化

    本文介绍了一种基于注入良性内容的黑盒攻击方法，通过优化注入负载与规避检测的概率之间的权衡，利用很少的查询和小的负载，我们的黑盒攻击可以绕过两个流行的静态 Windows 恶意软件检测器，并且可以在平均 12 个标准的商业杀软中规避检测。

    Mar, 2020

  • 一种简单且高效的对抗性词汇替换攻击方法

    本研究提出了一种简单而高效的方法，将对文本分类模型的人为攻击所需的平均查询次数减少了 3-30 倍，并且能够保持攻击效果。

    May, 2022

  • 深度神经网络的高效元攻击

    本研究提出了一种元攻击方法，通过元学习的方法从以前观察到的攻击模式中学习可推广的先验抽象，并利用这样的先验信息，可以从很少的查询和输出中推断攻击模式，从而显着减少模型查询的数量，而不会牺牲攻击性能。

    Jun, 2019

  • 面向查询高效的黑盒攻击：一种无输入视角

    本文提出了一种名为 “无需输入” 的攻击方法，用于深度神经网络的对抗攻击，该方法不需要进行大量的查询，可以通过任意图像添加可以感知的扰动来生成对抗性图像。该方法通过灰度图像的初始化和局部扰动与平铺技术来显着降低了查询复杂度，并成功击败了 Clarifai 食品检测 API 和百度动物识别 API。

    Sep, 2018

  • 黑盒对抗攻击查询效率提升

    本文提出了一种基于神经过程的黑盒对抗攻击方法（NP-Attack），利用神经过程对图像结构信息进行建模，以提高查询效率，实验结果表明，NP-Attack 能显著减少黑盒情况下的查询次数。

    Sep, 2020

  • 基于 Transformer 的恶意软件检测器的对抗性攻击

    探究基于机器学习的恶意软件检测模型的安全性，使用 Transformers-based 恶意软件检测器进行对抗攻击，提出防御策略，将错误分类率降至一半。

    Oct, 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

  • 零知识条件下对基于机器学习的安卓恶意软件检测的高效查询攻击

    AdvDroidZero 是一种高效的查询式攻击框架，针对基于机器学习的 Android 恶意程序检测方法，操作于零知识设置下，并且在广泛的评估中表现出对各种主流基于机器学习的 Android 恶意程序检测方法的有效性，尤其是业界最先进的方法和真实世界中的防病毒解决方案。

    Sep, 2023