烧毁对抗性桥梁：针对二进制级变异的强大 Windows 恶意软件检测

Oct, 2023

烧毁对抗性桥梁：针对二进制级变异的强大 Windows 恶意软件检测

Burning the Adversarial Bridges: Robust Windows Malware Detection Against Binary-level Mutations

Ahmed Abusnaina, Yizhen Wang, Sunpreet Arora, Ke Wang, Mihai Christodorescu...

TL;DR通过消除恶意软件植入的易受攻击信息通道，我们提出了三个软件预处理步骤以降低威胁表面，并引入了基于图的恶意软件检测方案，利用软件中各个部分的信息聚合来提高恶意软件检测的准确性。实验结果显示，我们的方案可以在对抗性环境下以 88.32% 的曲线下面积得分和 88.19% 的得分准确检测恶意软件，展示了我们的方法的高效性。

Abstract

Toward robust malware detection, we explore the attack surface of existing malware detection systems. We conduct root-cause analyses of the practical binary-level black-box adversarial malware examples. Additiona

malware detection volatile features software pre-processing section injection attacks graph-based malware detection

发现论文，激发创造

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

生成对抗性恶意二进制文件的先进技术比较

研究如何生成具有对抗性的恶意软件，通过改变二进制恶意软件文件中的特定字节，使修改后的文件能够逃避基于机器学习的恶意软件分类器的检测，其中通过修改二进制文件头的字节是最有效的技术。

Nov, 2021

针对二进制编码恶意软件的对抗深度学习鲁棒检测

该研究介绍了一种基于鞍点优化的方法在二进制域内生成功能保留的恶意软件对抗样本，以及将其融入模型训练当中，提高模型对对抗样本的鲁棒性，并引入一种在线计量方式来评价模型的鲁棒性预期。

Jan, 2018

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

恶意软件变身：通过修改可执行代码字节破坏基于机器学习的静态分析

该论文介绍了一种通过二进制多样性技术和优化框架欺骗深度神经网络的攻击方式来打破基于机器学习的恶意软件检测系统，攻击成功率可达 100%，但该论文也探索了一些能够使攻击失败的防御手段。

Dec, 2019

对抗性恶意二进制文件：规避可执行文件中的深度学习恶意软件检测

本文通过对恶意软件检测方法的深度学习进行的攻击实验证明，机器学习以及深度神经网络存在易受攻击的漏洞，并提出基于梯度的攻击方法，可以使恶意软件逃脱检测而不影响其入侵功能。

Mar, 2018

解释深度学习对抗恶意软件二进制文件的漏洞

通过解释性机器学习方法，这项研究发现一个新的攻击算法可以仅更改文件头中的少数字节来生成恶意软件二进制文件，并提出了一个解决方案来解释深度学习算法中易受对抗性示例影响的问题。

Jan, 2019

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

基于解释的 DNNs 恶意软件检测漏洞分析框架

本文提出了一种基于实例攻击的算法，通过数据增强和分析恶意代码的数据组成部分，实现了在黑盒环境下欺骗深度神经网络的目的，从而提高了针对恶意代码的检测系统的鲁棒性。

Sep, 2022

从结构交互中发现软件中的恶意签名

提出了一种新颖的计算机病毒检测方法，利用深度学习、数学技术和网络科学，通过对复杂网络中应用程序进行静态和动态分析，利用生成的网络拓扑图输入到 GraphSAGE 架构中，以节点特征表示操作名称，通过分析网络的拓扑几何结构进行预测，达到检测最新型计算机病毒并在虚拟机执行期间防止潜在损害的目的。实验证明，该方法在计算机病毒检测方面取得了显著的改进。

Dec, 2023