Evolutionary Black-Box Optimization for Functionality-Preserving Adversarial Malware Generation in Consumer Systems

Payal Awwal

doi:10.1109/tce.2026.3734301

Evolutionary Black-Box Optimization for Functionality-Preserving Adversarial Malware Generation in Consumer Systems

2026-09-16

0

PRE

AI

DOI：10.1109/tce.2026.3734301

原文链接

原文求助

摘要

En 中文

近期网络攻击表明，Windows系统仍是主要目标，攻击者越来越多地使用隐蔽的、行为保留的技术来规避传统检测。鉴于其在消费电子产品和计算环境中的核心作用，这凸显了需要能够应对真实对抗威胁的稳健恶意软件检测机制。本研究提出了一种功能保留的黑盒对抗攻击框架，用于在实践约束（包括有限的查询预算和可执行文件有效性）下针对Windows可移植可执行文件（PE）恶意软件。所提出的方法采用节注入和覆盖填充来生成规避样本而不改变执行语义，并利用CMS-ES（一种无需访问模型内部的高效查询优化方法）。攻击在包含30,000个样本的平衡数据集上进行评估，并在查询预算为10–80的情况下测试了五种分类器：MalConv、CNN、GBDT、随机森林和SVM。实验结果表明，所提出的攻击对评估的基于机器学习的恶意软件分类器实现了高达92%的攻击成功率（ASR）。在独立的VirusTotal评估中，节注入变体将检测引擎的平均数量从58.20减少到38.41。生成的样本还表现出强大的跨模型可迁移性，并在评估设置下显示出比基于变异的搜索更高的查询效率和扰动控制。这些发现暴露了基于机器学习的恶意软件检测器的关键弱点，并强调了需要更稳健、更具对抗鲁棒性的防御策略。

Keyword:

Consumer computing environment

Malware Classifiers

Adversarial Samples

Perturbations

Machine Learning Models

Transferability

PE Files

Evolutionary Black-Box Optimization for Functionality-Preserving Adversarial Malware Generation in Consumer Systems

摘要

期刊

机构

引用论文