[发明专利]面向恶意软件汇编格式检测模型的黑盒攻击的防御方法

摘要

一种面向恶意软件汇编格式检测模型的黑盒攻击的防御方法，包括以下步骤：1)获取数据集，将其划分为训练集和测试集；2)恶意软件汇编格式的处理；3)构建卷积神经网络分类器；4)基于梯度下降的恶意软件汇编格式检测模型的白盒攻击；5)设计具有代表性的深度学习模型结构，作为用于迁移攻击的迁移分类器；6)将初始的训练数据集的一部分用于MalConv的学习，一部分用于迁移分类器的学习；7)生成对抗样本；8)将步骤7)获取的对抗样本对恶意软件汇编格式检测模型重训练进行优化，获得能够防御对抗攻击的恶意软件检测模型；9)利用能够防御对抗攻击的恶意软件检测模型对恶意软件进行识别。

主权项

1.一种面向恶意软件汇编格式检测模型的黑盒攻击的防御方法，包括以下步骤：/n1)获取数据集，将其划分为训练集和测试集；具体过程如下：/n1.1)收集各个恶意软件家族样本数据集，数据以“.asm”后缀的汇编语言文件类型保存；/n1.2)考虑各个类别的样本数量差异以及为便于后续的工作，将各个类别数据集以训练集占比约80％、测试集占比约20％的比例划分；/n2)处理恶意软件汇编格式，具体过程如下：/n2.1)考虑到实验的效率，为降低资源的使用，筛选100万以下大小字节量的文件作分析，同时将文件的每个字符通过ASCII映射到0-255区间范围，在序列的末尾添加“0”的方式填充为100万大小的定长数组；/n2.2)再使用PyTorch的Embedding函数随机生成256×8大小的映射矩阵将每一位字节映射为8位长度的向量；/n2.3)最终形成1000000*8大小的8通道输入数值矩阵；/n3)构建卷积神经网络分类器；卷积神经网络作为经典的深度学习网络，被广泛地应用在计算机分类任务中；对输入大小为1000000*8大小的8通道输入数值矩阵，构建卷积神经网络分类器，过程如下：/n3.1)将步骤2.3)获取的8通道输入数值矩阵的前四个通道和后四个通道分别通过128个500*4大小的卷积进行一维卷积，分别为卷积层1.1、卷积层1.2，其中卷积层1.1的输出通过Sigmoid激活函数，另一个不作处理，步长均为500；/n3.2)将步骤3.1)获得的两个卷积层的卷积结果通过一个乘积层2进行对应位相乘的哈达玛积运算；/n3.3)将步骤3.2)获取的运算结果通过池化层3进行全局最大值池化，形成128×1大小的高维特征序列，最大限度地降低资源消耗；/n3.4)将步骤3.3)获取的序列通过两个全连接层分别为全连接层4和全连接层5以输出预测数值；/n3.5)最后经过Sigmoid层运用Sigmoid函数输出0-1之间的分类概率，实验最终达到了99.83％的分类精度；/n4)基于梯度下降的恶意软件汇编格式检测模型的白盒攻击，具体过程如下：/n4.1)选择一个被分类为“恶意”的样本，概率>0.5；/n4.2)将样本的“0”填充字节重新进行随机初始化；/n4.3)依次选择一个填充字节；/n4.4)求出其他255个字节关于当前字节值在梯度方向上的投影距离与梯度的距离；/n4.5)选择在梯度方向上的投影距离大于0且与梯度最近的字节，将其替换到该样本中形成对抗样本；/n4.6)计算新的对抗样本被分类器预测的概率，若检测概率>0.5则重复4.3、4.4、4.5、4.6四个步骤直到该对抗样本被分类器检测为良性软件，即概率<0.5；/n5)设计具有代表性的深度学习模型结构，并将它们作为用于迁移攻击的迁移分类器；/n6)将初始的训练数据集划分为两部分，一部分用于MalConv的学习，一部分用于迁移分类器的学习；/n7)将步骤4)说明的白盒攻击方法用于对训练完成的迁移分类器进行攻击，生成对抗样本；/n8)将步骤7)获取的对抗样本对恶意软件汇编格式检测模型重训练进行优化，获得能够防御对抗攻击的恶意软件检测模型；/n9)利用能够防御对抗攻击的恶意软件检测模型对恶意软件进行识别，能够防御对恶意软件检测模型的对抗攻击。/n