.png){kind=icon}
返回
Mal-POBM: A Genetic Algorithm for Malware Adversarial Sample Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-94455-0_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对抗样本是通过向原始图像添加难以察觉的扰动，使图像识别模型做出错误判断的样本。与图像对抗样本不同，恶意软件对抗样本不仅需要规避模型的检测，还必须保证可执行性并维持样本的原始行为。随着互联网的快速发展和广泛应用，恶意软件的传播急剧增加，特别是在Windows平台上的可移植可执行（PE）文件。现有的恶意软件对抗样本生成方法因存在非主流目标、生成过程中陷入局部最优导致绕过率低、生成过程收敛速度慢以及无法保证原始行为等问题，难以满足人工智能赋能场景下检测引擎的需求。为解决这些问题，我们提出了一种基于遗传算法的新方法Mal-POBM，用于生成恶意软件对抗样本。该方法通过优化种群提高收敛速度，并通过双向变异跳出局部最优解，在保证对抗样本仍具有原始行为的同时确保了高绕过率。同时，我们通过实验验证了该方法的有效性。
Keyword:
Malware
Adversarial samples
Genetic algorithms
Population Optimisation
Bidirectional Mutation
Cauchy variation
期刊
S
机构
引用论文
Enhanced detection of obfuscated malware in memory dumps: a machine learning approach for advanced cybersecurity增强对内存转储中混淆恶意软件的检测: 一种用于高级网络安全的机器学习方法.png)
CYBERSECURITY
OAAI
CYBERSECURITYIF3.7
OAAI分享收藏GAMBD: Generating adversarial malware against MalConvGAMBD: 生成针对MalConv的对抗性恶意软件COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
A novel method for malware detection on ML-based visualization techniqueCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏A Generative Adversarial Network Based Approach to Malware Generation Based on Behavioural Graphs
PREAI
分享收藏
查看更多内容