Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin

(Journal of Science and Technology on Information security) ISSN 2615-9570

Bài viết

Phương pháp tạo đột biến mã độc Windows trốn tránh trình phát hiện học tổng hợp

  • Phạm Văn Hậu · University of Information Technology - Vietnam National University Ho Chi Minh City (VN)
  • Tô Trọng Nghĩa · University of Information Technology - Vietnam National University Ho Chi Minh City (VN)
  • Phan The Duy · University of Information Technology, VNU-HCM (VN)
DOI: 10.54654/isj.v1i18.906
Từ khóatấn công trốn tránhtấn công đối khángđột biến phần mềm độc hạimạng sinh đối khánghọc tăng cườnghọc tổng hợp

Tóm tắt

Tóm tắt— Thời gian gần đây, việc ứng dụng học máy vào lĩnh vực an ninh mạng, đặc biệt là trong phát hiện và ngăn chặn mã độc được chú trọng và quan tâm sâu sắc. Nhiều công trình nghiên cứu về phân tích phần mềm độc hại đã được đề xuất với những kết quả hứa hẹn cho các ứng dụng thực tế. Trong những công trình như vậy, việc sử dụng mạng sinh đối kháng (Generative Adversarial Networks) hoặc học tăng cường (Reinforcement Learning) có thể giúp các kẻ xấu tạo ra phần mềm độc hại đột biến trốn tránh các phần mềm chống vi-rút. Trong nghiên cứu này, chúng tôi đề xuất một hệ thống đột biến chống lại các trình phát hiện mã độc dựa trên học tổng hợp bằng cách sử dụng kết hợp mô hình mạng sinh đối kháng và học tăng cường để khắc phục hạn chế của mô hình MalGAN. Cụ thể, chúng tôi phát triển mô hình FeaGAN, mô hình dựa trên MalGAN, bằng cách kết hợp mô hình với mô hình học tăng cường DQEAF (Deep Q-network anti-malware Engines Attacking Framework). Ngoài ra, mô hình FeaGAN sử dụng mô hình học tổng hợp cho trình phát hiện phần mềm độc hại để cải thiện khả năng trốn tránh của các mẫu đối kháng được tạo ra. Kết quả thực nghiệm cho thấy 100% mẫu đột biến được chọn đều đảm bảo định dạng. Ngoài ra, khả năng đảm bảo khả năng thực thi của các biến thể mã độc đạt được những kết quả tiềm năng với tỷ lệ thành công đạt mức ổn định.

Lượt tải theo tháng

071303/2404/2405/2406/2407/2408/2409/2410/2412/2402/2503/2504/2505/2506/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Phạm Văn Hậu, Tô Trọng Nghĩa, Phan The Duy (2023). Phương pháp tạo đột biến mã độc Windows trốn tránh trình phát hiện học tổng hợp. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 1(18), 47-60. https://doi.org/10.54654/isj.v1i18.906

Tài liệu tham khảo

  1. 1.D. Li and Q. Li, “Adversarial Deep Ensemble: Evasion Attacks and Defenses for Malware Detection,” IEEE Trans. Inf. Forensics Secur., vol. 15, pp. 3886–3900, 2020, doi: 10.1109/TIFS.2020.3003571.
  2. 2.X. Ling et al., “Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art.” arXiv, Dec. 19, 2022. Accessed: Jan. 03, 2023. [Online]. Available: http://arxiv.org/abs/2112.12310
  3. 3.Toan, N. N. ., Dung, L. T., & Thang, D. Q. (2022). Static Feature Selection for IoT Malware Detection. Journal of Science and Technology on Information Security, 1(15), 74-84. https://doi.org/10.54654/isj.v1i15.844.
  4. 4.I. Goodfellow et al., “Generative Adversarial Nets”.
  5. 5.H. Lee, S. Han, and J. Lee, “Generative Adversarial Trainer: Defense to Adversarial Perturbations with GAN.” arXiv, May 26, 2017. Accessed: Jan. 03, 2023. [Online]. Available: http://arxiv.org/abs/1705.03387
  6. 6.R. Damaševičius, A. Venčkauskas, J. Toldinas, and Š. Grigaliūnas, “Ensemble-Based Classification Using Neural Networks and Machine Learning Models for Windows PE Malware Detection,” Electronics, vol. 10, no. 4, p. 485, Feb. 2021, doi: 10.3390/electronics10040485.
  7. 7.F. Tramèr and D. Boneh, “Adversarial Training and Robustness for Multiple Perturbations.” arXiv, Oct. 17, 2019. Accessed: Jan. 03, 2023. [Online]. Available: http://arxiv.org/abs/1904.13000
  8. 8.Y. Liu, X. Chen, C. Liu, and D. Song, “Delving into Transferable Adversarial Examples and Black-box Attacks.” arXiv, Feb. 07, 2017. Accessed: Jan. 03, 2023. [Online]. Available: http://arxiv.org/abs/1611.02770
  9. 9.W. Hu and Y. Tan, “Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN.” arXiv, Feb. 20, 2017. Accessed: Jan. 03, 2023. [Online]. Available: http://arxiv.org/abs/1702.05983
  10. 10.Z. Fang, J. Wang, B. Li, S. Wu, Y. Zhou, and H. Huang, “Evading Anti-Malware Engines With Deep Reinforcement Learning,” IEEE Access, vol. 7, pp. 48867–48879, 2019, doi: 10.1109/ACCESS.2019.2908033.
  11. 11.Michae Lester, “PE Malware Machine Learning Dataset,” 2018. https://practicalsecurityanalytics.com/pe-malware-machine-learning-dataset/
  12. 12.H. S. Anderson, A. Kharkar, B. Filar, D. Evans, and P. Roth, “Learning to Evade Static PE Machine Learning Malware Models via Reinforcement Learning.” arXiv, Jan. 30, 2018. Accessed: Jan. 03, 2023. [Online]. Available: http://arxiv.org/abs/1801.08917
  13. 13.P. I. Wójcik and M. Kurdziel, “Training neural networks on high-dimensional data using random projection,” Pattern Anal. Appl., vol. 22, no. 3, pp. 1221–1231, Aug. 2019, doi: 10.1007/s10044-018-0697-0.
  14. 14.X. Liu, J. Zhang, Y. Lin, and H. Li, “ATMPA: attacking machine learning-based malware visualization detection methods via adversarial examples,” in Proceedings of the International Symposium on Quality of Service, Phoenix Arizona, Jun. 2019, pp. 1–10. doi: 10.1145/3326285.3329073.
  15. 15.K. Lucas, M. Sharif, L. Bauer, M. K. Reiter, and S. Shintre, “Malware Makeover: Breaking ML-based Static Analysis by Modifying Executable Bytes,” in Proceedings of the 2021 ACM Asia Conference on Computer and Communications Security, Virtual Event Hong Kong, May 2021, pp. 744–758. doi: 10.1145/3433210.3453086.
  16. 16.Erwin Quiring, Alwin Maier, and Konrad Rieck, “Misleading authorship attribution of source code using adversarial learning,” 2019, pp. 479–496.
  17. 17.I. Rosenberg, A. Shabtai, Y. Elovici, and L. Rokach, “Query-Efficient Black-Box Attack Against Sequence-Based Malware Classifiers,” in Annual Computer Security Applications Conference, Austin USA, Dec. 2020, pp. 611–626. doi: 10.1145/3427228.3427230.
  18. 18.M. Kawai, K. Ota, and M. Dong, “Improved MalGAN: Avoiding Malware Detector by Leaning Cleanware Features,” in 2019 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), Okinawa, Japan, Feb. 2019, pp. 040–045. doi: 10.1109/ICAIIC.2019.8669079.
  19. 19.J. Yuan, S. Zhou, L. Lin, F. Wang, and J. Cui, “Black-box Adversarial Attacks Against Deep Learning Based Malware Binaries Detection with GAN,” Santiago Compost., 2020.
  20. 20.M. Ebrahimi, J. Pacheco, W. Li, J. L. Hu, and H. Chen, “Binary Black-Box Attacks Against Static Malware Detectors with Reinforcement Learning in Discrete Action Spaces,” in 2021 IEEE Security and Privacy Workshops (SPW), San Francisco, CA, USA, May 2021, pp. 85–91. doi: 10.1109/SPW53761.2021.00021.
  21. 21.R. Labaca-Castro, S. Franz, and G. D. Rodosek, “AIMED-RL: Exploring Adversarial Malware Examples with Reinforcement Learning,” in Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track, vol. 12978, Y. Dong, N. Kourtellis, B. Hammer, and J. A. Lozano, Eds. Cham: Springer International Publishing, 2021, pp. 37–52. doi: 10.1007/978-3-030-86514-6_3.
  22. 22.L. Demetrio, B. Biggio, and F. Roli, “Practical Attacks on Machine Learning: A Case Study on Adversarial Windows Malware,” IEEE Secur. Priv., vol. 20, no. 5, pp. 77–85, Sep. 2022, doi: 10.1109/MSEC.2022.3182356.
  23. 23.Imambi, Sagar, Kolla Bhanu Prakash, and G. R. Kanagachidambaresan. "PyTorch." Programming with TensorFlow: Solution for Edge Computing Applications (2021): 87-104.
  24. 24.Kramer, Oliver, and Oliver Kramer. "Scikit-learn." Machine learning for evolution strategies (2016): 45-53.
  25. 25.Thomas, Romain. "Lief-library to instrument executable formats." Retrieved February 22 (2017): 2022.
  26. 26.Ho, H. D., & Ho, H. V. (2020). Technical research of detection algorithmically generated malicious domain names using machine learning methods. Journal of Science and Technology on Information Security, 7(1), 37-43. https://doi.org/10.54654/isj.v7i1.54.

Bài viết liên quan

Phương pháp tạo đột biến mã độc Windows trốn tránh trình phát hiện học tổng hợp | Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin