基于遗传算法的恶意代码对抗样本生成方法

被引：7

作者：

闫佳

聂楚江

苏璞睿

机构：

[1] 中国科学院大学计算机科学与技术学院

[2] 中国科学院软件研究所可信计算与信息保障实验室

来源：

电子与信息学报 | 2020年 / 42卷 / 09期

关键词：

恶意代码检测; 机器学习; 对抗样本;

D O I：

暂无

中图分类号：

TP311.5 [软件工程]; TP309 [安全保密]; TP181 [自动推理、机器学习];

学科分类号：

081201 ; 0839 ; 1402 ;

摘要：

机器学习已经广泛应用于恶意代码检测中,并在恶意代码检测产品中发挥重要作用。构建针对恶意代码检测机器学习模型的对抗样本,是发掘恶意代码检测模型缺陷,评估和完善恶意代码检测系统的关键。该文提出一种基于遗传算法的恶意代码对抗样本生成方法,生成的样本在有效对抗基于机器学习的恶意代码检测模型的同时,确保了恶意代码样本的可执行和恶意行为的一致性,有效提升了生成对抗样本的真实性和模型对抗评估的准确性。实验表明,该文提出的对抗样本生成方法使MalConv恶意代码检测模型的检测准确率下降了14.65%;并可直接对VirusTotal中4款基于机器学习的恶意代码检测商用引擎形成有效的干扰,其中,Cylance的检测准确率只有53.55%。

引用

页码：2126 / 2133

页数：8