基于遗传算法的恶意代码对抗样本生成方法

• 作者: 聂楚江 苏璞睿 闫佳
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 恶意代码检测 机器学习 对抗样本
• 年，卷（期）: 2020,（9）
• 页码范围: 2126-2133
• 页数: 8页
• 分类号: TP309.5
• 语种: 中文
• DOI: 10.11999/JEIT191059

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%。