論文の概要: Mate! Are You Really Aware? An Explainability-Guided Testing Framework
for Robustness of Malware Detectors
- arxiv url: http://arxiv.org/abs/2111.10085v4
- Date: Mon, 27 Nov 2023 23:25:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 18:04:08.523934
- Title: Mate! Are You Really Aware? An Explainability-Guided Testing Framework
for Robustness of Malware Detectors
- Title(参考訳): Mate!
本当に知ってるの?
マルウェア検知器のロバスト性に関する説明可能性ガイドテストフレームワーク
- Authors: Ruoxi Sun, Minhui Xue, Gareth Tyson, Tian Dong, Shaofeng Li, Shuo
Wang, Haojin Zhu, Seyit Camtepe, Surya Nepal
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.34155921877441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerous open-source and commercial malware detectors are available. However,
their efficacy is threatened by new adversarial attacks, whereby malware
attempts to evade detection, e.g., by performing feature-space manipulation. In
this work, we propose an explainability-guided and model-agnostic testing
framework for robustness of malware detectors when confronted with adversarial
attacks. The framework introduces the concept of Accrued Malicious Magnitude
(AMM) to identify which malware features could be manipulated to maximize the
likelihood of evading detection. We then use this framework to test several
state-of-the-art malware detectors' abilities to detect manipulated malware. We
find that (i) commercial antivirus engines are vulnerable to AMM-guided test
cases; (ii) the ability of a manipulated malware generated using one detector
to evade detection by another detector (i.e., transferability) depends on the
overlap of features with large AMM values between the different detectors; and
(iii) AMM values effectively measure the fragility of features (i.e.,
capability of feature-space manipulation to flip the prediction results) and
explain the robustness of malware detectors facing evasion attacks. Our
findings shed light on the limitations of current malware detectors, as well as
how they can be improved.
- Abstract(参考訳): 多数のオープンソースおよび商用のマルウェア検知器が利用可能である。
しかし、その効果は新たな敵攻撃によって脅かされ、マルウェアは例えば特徴空間操作によって検出を回避しようとする。
本研究では,敵の攻撃に直面するマルウェア検知器のロバスト性について,説明可能でモデルに依存しないテストフレームワークを提案する。
このフレームワークは、Accrued Malicious Magnitude (AMM)という概念を導入し、どのマルウェア機能を操作すれば検出を回避できるかを最大化する。
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出機能をテストする。
私たちはそれを見つけ
(i)市販抗ウイルスエンジンは、amm誘導試験例に脆弱である。
2) ある検知器を用いて発生した操作されたマルウェアが、他の検出器による検出を回避する能力(転送可能性)は、異なる検出器間で大きなAMM値を持つ特徴の重複に依存する。
3)AMM値は,特徴の脆弱性(つまり,予測結果を反転させる特徴空間操作能力)を効果的に測定し,回避攻撃に直面したマルウェア検知器の堅牢性を説明する。
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。
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) - 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) - PAD: Towards Principled Adversarial Malware Detection Against Evasion
Attacks [17.783849474913726]
本稿では,PAD(Principled Adversarial Malware Detection)と呼ばれる新しい対向学習フレームワークを提案する。
PADは、マルウェア検出装置を敵から守るために、分布的に離散的な摂動を定量化する学習可能な凸測定を基礎としている。
PADは、83.45%以上の精度で、27の回避攻撃に対するMLベースのマルウェア検出を強化できる。
VirusTotalの多くのアンチマルウェアスキャナーと、現実的な敵のマルウェアとを一致または性能で比較する。
論文 参考訳(メタデータ) (2023-02-22T12:24:49Z) - Multi-view Representation Learning from Malware to Defend Against
Adversarial Variants [11.45498656419419]
本稿では,DLをベースとしたマルウェア検出装置の敵的変異に対する堅牢性を向上させるための,新たな多視点学習フレームワークであるAdversarially Robust Multiview Malware Defense (ARMD)を提案する。
6つの一般的なマルウェアカテゴリにわたる3つの有名なオープンソースのディープラーニングベースのマルウェア検出実験は、ARMDがこれらのマルウェア検出装置上で最大7倍の敵の堅牢性を向上できることを示している。
論文 参考訳(メタデータ) (2022-10-25T22:25:50Z) - 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) - 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。