論文の概要: EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box
Android Malware Detection
- arxiv url: http://arxiv.org/abs/2110.03301v1
- Date: Thu, 7 Oct 2021 09:39:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 15:25:26.270700
- Title: EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box
Android Malware Detection
- Title（参考訳）: EvadeDroid: ブラックボックスAndroidマルウェア検出のための機械学習の実践的侵入攻撃
- Authors: Hamid Bostani and Veelasha Moonsamy
- Abstract要約: 本稿では,ブラックボックス型Androidマルウェア検出装置を回避すべく,実用的な回避攻撃であるEvadeDroidを提案する。
EvadeDroidは、一連の機能保存変換をモルフィックマルウェアインスタンスを良質なものにします。
EvadeDroidのハードおよびソフトラベル攻撃に対する有効性を示す実験的検討を行った。
- 参考スコア（独自算出の注目度）: 0.6526824510982799
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Over the last decade, several studies have investigated the weaknesses of
Android malware detectors against adversarial examples by proposing novel
evasion attacks; however, the practicality of most studies in manipulating
real-world malware is arguable. The majority of studies have assumed attackers
know the details of the target classifiers used for malware detection, while in
real life, malicious actors have limited access to the target classifiers. This
paper presents a practical evasion attack, EvadeDroid, to circumvent black-box
Android malware detectors. In addition to generating real-world adversarial
malware, the proposed evasion attack can preserve the functionality of the
original malware samples. EvadeDroid applies a set of functionality-preserving
transformations to morph malware instances into benign ones using an iterative
and incremental manipulation strategy. The proposed manipulation technique is a
novel, query-efficient optimization algorithm with the aim of finding and
injecting optimal sequences of transformations into malware samples. Our
empirical evaluation demonstrates the efficacy of EvadeDroid under hard- and
soft-label attacks. Moreover, EvadeDroid is capable to generate practical
adversarial examples with only a small number of queries, with evasion rate of
81%, 73%, and 75% for DREBIN, Sec-SVM, and MaMaDroid, respectively. Finally, we
show that EvadeDroid is able to preserve its stealthiness against four popular
commercial antivirus, thus demonstrating its feasibility in the real world.
- Abstract（参考訳）: 過去10年間で、Androidのマルウェア検出装置の弱点を、新たな回避攻撃を提案して調査してきたが、現実世界のマルウェアを操作するほとんどの研究の実践性は議論の余地がある。
多くの研究は、攻撃者がマルウェア検出に使用されるターゲット分類器の詳細を知っていると仮定しているが、現実には悪意のあるアクターはターゲット分類器へのアクセスに制限がある。
本稿では,ブラックボックス型Androidマルウェア検出装置を回避すべく,実用的な回避攻撃であるEvadeDroidを提案する。
現実の敵対的マルウェアの生成に加えて、提案された回避攻撃は、元のマルウェアサンプルの機能を保存することができる。
evadedroidは、反復的かつ漸進的な操作戦略を使用して、マルウェアインスタンスを良質なインスタンスに変換する機能保存変換を適用する。
提案手法は,マルウェアサンプルへの最適な変換シーケンスの発見と注入を目的とした,新しいクエリ効率最適化アルゴリズムである。
EvadeDroidのハードおよびソフトラベル攻撃に対する有効性を示す実験的検討を行った。
さらにEvadeDroidは, DREBIN, Sec-SVM, MaMaDroidに対して, 81%, 73%, 75%の回避率で, 少数のクエリで現実的な逆例を生成することができる。
最後に、EvadeDroidは4つの人気のある商用アンチウイルスに対するステルス性を保ち、現実の世界で実現可能であることを示す。
関連論文リスト
- MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。
我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。
この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文 参考訳（メタデータ） (2024-09-29T07:22:47Z) - MalPurifier: Enhancing Android Malware Detection with Adversarial
Purification against Evasion Attacks [19.68134775248897]
MalPurifierは敵の浄化を利用して、独立して摂動を除去し、軽く柔軟な方法で攻撃を緩和する。
2つのAndroidマルウェアデータセットの実験結果は、MalPurifierが最先端の防御よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-12-11T14:48:43Z) - DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified
Robustness [58.23214712926585]
我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。
具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。
私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
論文 参考訳（メタデータ） (2023-03-20T17:25:22Z) - Adversarial Attacks on Transformers-Based Malware Detectors [0.0]
署名ベースのマルウェア検出装置は、悪性な実行可能コードのわずかな変更でさえこれらの署名ベースの検出装置をバイパスできるため、不十分であることが証明されている。
我々の研究は、敵の攻撃に対して、最先端のマルウェア検出装置の脆弱性を探究することを目的としている。
トランスフォーマーベースのマルウェア検出装置を訓練し、敵の攻撃を行い、23.9%の誤分類率で、この誤分類率を半分に抑える防衛策を提案する。
論文 参考訳（メタデータ） (2022-10-01T22:23:03Z) - Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。
既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。
以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
論文 参考訳（メタデータ） (2022-07-20T19:49:09Z) - Single-Shot Black-Box Adversarial Attacks Against Malware Detectors: A
Causal Language Model Approach [5.2424255020469595]
Adversarial Malware example Generationは、回避可能なマルウェアの変種を生成することを目的としている。
ブラックボックス法はホワイトボックス法よりも注目されている。
本研究では,新しいDLに基づく因果言語モデルにより,単発回避が可能となることを示す。
論文 参考訳（メタデータ） (2021-12-03T05:29:50Z) - Mate! Are You Really Aware? An Explainability-Guided Testing Framework
for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。
次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。
我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文 参考訳（メタデータ） (2021-11-19T08:02:38Z) - Being Single Has Benefits. Instance Poisoning to Deceive Malware
Classifiers [47.828297621738265]
攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。
マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。
我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
論文 参考訳（メタデータ） (2020-10-30T15:27:44Z) - Adversarial EXEmples: A Survey and Experimental Evaluation of Practical
Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。
我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。
これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
論文 参考訳（メタデータ） (2020-08-17T07:16:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。