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

📄 arXiv: 2310.03285v1 📥 PDF

作者: Ahmed Abusnaina, Yizhen Wang, Sunpreet Arora, Ke Wang, Mihai Christodorescu, David Mohaisen

分类: cs.LG, cs.CR

发布日期: 2023-10-05

备注: 12 pages

💡 一句话要点

提出图基方法以增强二进制恶意软件检测的鲁棒性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 恶意软件检测 对抗性攻击 图神经网络 信息提取 网络安全

📋 核心要点

  1. 现有恶意软件检测方法在面对对抗性攻击时表现不佳，攻击面较大，导致检测效果受损。
  2. 本文提出通过三种软件预处理步骤和图基信息提取方案来消除攻击面，增强恶意软件检测的鲁棒性。
  3. 实验结果显示，提出的方法在二进制操作攻击下的检测准确率显著提高，曲线下面积得分达到88.32%。

📝 摘要（中文）

为实现鲁棒的恶意软件检测，本文探讨了现有检测系统的攻击面。我们对实际的二进制黑箱对抗恶意软件示例进行了根本原因分析，并揭示了检测引擎中易变特征的敏感性及其可利用性。通过引入三种软件预处理步骤（填充去除、软件剥离和交叉信息重置），我们消除了攻击面。此外，为应对新兴的节注入攻击，我们提出了一种基于图的节依赖信息提取方案，以增强软件表示。实验结果表明，传统恶意软件检测模型对对抗威胁无效，但通过消除易变信息，攻击面可以大幅减少。我们的图基恶意软件检测方案在二进制操作攻击下的曲线下面积得分为88.32%，显示了该方案的有效性。

🔬 方法详解

问题定义：本文旨在解决现有恶意软件检测系统在面对二进制级对抗性攻击时的脆弱性，现有方法无法有效应对这些攻击，导致检测失败。

核心思路：通过分析恶意软件检测引擎中的易变特征，提出三种软件预处理步骤以消除攻击面，并引入图基信息提取方案，利用软件各节中的聚合信息来增强检测能力。

技术框架：整体架构包括三个主要模块：1) 软件预处理模块，执行填充去除、软件剥离和交叉信息重置；2) 图基信息提取模块，提取节依赖信息；3) 检测模块，基于提取的信息进行恶意软件检测。

关键创新：最重要的创新在于提出了图基的节依赖信息提取方案，这一方法通过聚合不同节的信息来提高检测的鲁棒性，与传统方法相比，显著降低了对抗攻击的影响。

关键设计：在参数设置上，采用了针对不同预处理步骤的优化策略，损失函数设计考虑了对抗性样本的影响，网络结构则基于图神经网络，以便更好地捕捉节间的依赖关系。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，传统恶意软件检测模型在对抗性威胁下的表现不佳，而我们提出的图基检测方案在二进制操作攻击下的曲线下面积得分为88.32%，显示出显著的检测能力提升，证明了方法的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括网络安全、恶意软件检测系统和信息安全防护。通过增强恶意软件检测的鲁棒性，能够有效降低企业和个人用户在网络环境中的安全风险，提升整体信息安全防护能力。未来，该方法可扩展至更多类型的恶意软件检测和防护系统中。

📄 摘要（原文）

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. Additionally, we uncover the sensitivity of volatile features within the detection engines and exhibit their exploitability. Highlighting volatile information channels within the software, we introduce three software pre-processing steps to eliminate the attack surface, namely, padding removal, software stripping, and inter-section information resetting. Further, to counter the emerging section injection attacks, we propose a graph-based section-dependent information extraction scheme for software representation. The proposed scheme leverages aggregated information within various sections in the software to enable robust malware detection and mitigate adversarial settings. Our experimental results show that traditional malware detection models are ineffective against adversarial threats. However, the attack surface can be largely reduced by eliminating the volatile information. Therefore, we propose simple-yet-effective methods to mitigate the impacts of binary manipulation attacks. Overall, our graph-based malware detection scheme can accurately detect malware with an area under the curve score of 88.32\% and a score of 88.19% under a combination of binary manipulation attacks, exhibiting the efficiency of our proposed scheme.