CN113158190B - 一种基于生成式对抗网络的恶意代码对抗样本自动生成方法 - Google Patents

一种基于生成式对抗网络的恶意代码对抗样本自动生成方法 Download PDF

Info

Publication number
CN113158190B
CN113158190B CN202110486050.5A CN202110486050A CN113158190B CN 113158190 B CN113158190 B CN 113158190B CN 202110486050 A CN202110486050 A CN 202110486050A CN 113158190 B CN113158190 B CN 113158190B
Authority
CN
China
Prior art keywords
file
malicious
countermeasure
vector
discriminator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110486050.5A
Other languages
English (en)
Other versions
CN113158190A (zh
Inventor
王方伟
卢园园
王长广
李青茹
赵冬梅
黄文艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Normal University
Original Assignee
Hebei Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Normal University filed Critical Hebei Normal University
Priority to CN202110486050.5A priority Critical patent/CN113158190B/zh
Publication of CN113158190A publication Critical patent/CN113158190A/zh
Application granted granted Critical
Publication of CN113158190B publication Critical patent/CN113158190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
    • G06F21/562—Static detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，属于机器学习和网络安全技术领域。本发明首先选定训练用PE文件进行特征提取，得到初始特征映射向量，利用生成式对抗网络GAN对初始特征映射向量进行训练，得到对抗特征向量及对抗特征库，再使用进化算法对恶意PE文件进行对抗修改，最后经过筛选和恶意验证得到恶意代码对抗样本文件。本发明可以快速自动的生成含有恶意功能且能使分类器误分类的恶意对抗样本，且能够实现人工调整训练参数、调控系统训练方式，有效提升了生成对抗样本的真实性、高效性以及模型对抗评估的准确性。

Description

一种基于生成式对抗网络的恶意代码对抗样本自动生成方法
技术领域
本发明属于机器学习和网络安全技术领域，具体为涉及一种基于生成式对抗网络的恶意代码对抗样本自动生成方法。
背景技术
传统的基于签名的方法无法满足恶意软件的猖獗膨胀。基于机器学习的检测器具有可扩展性和高效性，在防止恶意软件的大量涌入方面取得了不错的效果。因此自2001年以来，关于使用机器学习预测恶意内容研究出现了爆炸式增长。
机器学习在恶意软件防御中的应用越来越多，这引起了人们对机器学习在对抗环境中的鲁棒性的关注。许多研究工作已经证明，深度神经网络容易受到对抗性攻击。
在恶意软件领域，对抗性攻击的结果尤其显著。攻击者通过对恶意软件做一些微不足道的改变而轻易地规避基于机器学习的检测器。目前已经存在攻击者试图利用商业包装和加密程序逃避检测的例子。
现实世界的防病毒系统并不仅仅依赖于静态分类器，因此每当恶意软件运行时，许多静态入侵都会被动态分析检测到。目前面临的问题是，对抗性攻击可以绕过动态检测器对用户造成危害。
因此，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。
PE文件是Portable Executable文件的简称，意为可移植的可执行的文件，常见的EXE、DLL、OCX、SYS、COM都是PE文件。PE文件是微软Windows操作系统上的程序文件，在发明算法中经常使用PE文件作为处理对象。
生成式对抗网络(GAN，Generative Adversarial Networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中包含两个模块：生成器(Generator)和鉴别器(Discriminator)的互相博弈学习产生相当好的输出。
发明内容
本发明要解决的技术问题是提供一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，该方法可自动生成针对恶意代码检测机器学习模型的对抗样本，为发掘恶意代码检测模型缺陷、帮助更好地评估和完善恶意代码检测系统提供了样本，间接得保证了网络安全。
为解决上述技术问题，本发明采用的技术方案是：
一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，包括如下步骤：
步骤1、选定训练用的恶意PE文件和良性PE文件，对PE文件进行如下操作：
1.1)提取各文件的结构特征；
1.2)将提取到的特征无重复的存储形成初始特征库；
1.3)将各文件与所述初始特征库中的所有特征做存在性特征映射，得到所述恶意PE文件与良性PE文件各自的初始特征映射向量；
步骤2、将上面得到所述初始特征映射向量输入到生成式对抗网络GAN进行训练，生成对抗特征映射向量；将此向量与所述初始特征库做对应性映射，得到对抗特征并无重复的保存生成对抗特征库；
步骤3、参照所述对抗特征库，利用进化算法对上述训练用的恶意PE文件进行对抗性修改，得到对抗性修改文件集；
步骤4、利用静态检测模型对步骤3中得到的对抗性修改文件集进行筛选，选择出被分类器标记为良性的文件作为规避样本集；
步骤5、对上述规避样本集进行恶意功能验证，将保留训练用恶意PE文件功能的规避样本作为恶意代码对抗样本文件进行输出。
所述步骤2中生成对抗特征映射向量的具体操作如下：
S1：随机生成一取值范围为[0，1)噪声向量Z，将向量Z和恶意PE文件的初始特征映射向量X作为输入传递给GAN的生成器G，输出对抗特征映射向量G(x，z)；生成器G的损失函数公LG为：
LG
其中，x是所述恶意PE文件的初始特征映射向量X中的某一元素，Puniform[0，1)表示均匀分布在[0，1)范围内的随机数，E是求logD(G(x，z))的数学期望，D(G(x，z))是GAN中鉴别器D对所述对抗特征映射向量G(x，z)的预测结果；
S2：将S1中得到的对抗特征映射向量G(x，z)和良性PE文件的初始特征映射向量Y一并输入至GAN的鉴别器D和黑盒探测器f，所述黑盒探测器f对初始特征映射向量Y的预测结果用来对鉴别器D进行拟合，所述鉴别器D对G(x，z)的预测结果反馈至所述生成器G中，所述鉴别器D的损失函数为：
LD＝Eg∈G(x，z)H(D(g)，f(g))+Ey∈YH(D(y)，f(y)) (2)
其中，g表示所述对抗特征映射向量G(x，z)的某一元素，D(g)表示鉴别器D对g的预测结果，f(g)表示黑盒探测器f对g的预测结果，y表示良性PE文件的初始特征映射向量Y的某一元素，D(y)表示鉴别器D对y的预测结果，f(y)表示黑盒探测器f对y的预测结果；H(a，b)表示参数a与b距离度量函数，H(a，b)＝|a-b|；
S3：判断所述生成器G和所述鉴别器D的损失函数是否收敛，如果达到收敛状态，停止迭代，由生成器G输出对抗特征向量G(x，z)并无重复的保存成对抗特征库；否则继续迭代。
步骤4中的所述静态检测模型为MalConv。
所述步骤5中对规避样本集进行恶意功能验证的评价模型为Cuckoo sandbox，其验证公式为：
Figure BDA0003050298640000041
其中，B表示训练用恶意PE文件的恶意行为，num(B)表示恶意行为的数量，Beva表示步骤4得到的规避样本的恶意行为，hits(B，Beva)表示训练用恶意PE文件与规避样本之间相同的恶意行为，sim(B，Beva)表示两者之间恶意行为的相似度。
所述步骤1.1中所述的结构特征为Section names特征和Import function特征。
所述步骤1.1中提取文件结构特征的算法为lief算法。
采用上述技术方案所取得的技术效果在于：
本发明可以在无需人工干预的情况下高效生成对抗样本，生成的样本在有效对抗基于机器学习的恶意检测模型的同时，确保了对抗样本与原始恶意样本在恶意行为上的一致性，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。本发明还可以实现人工调整训练参数、调控系统训练方式，提升了方法的灵活性和适应性。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，包括如下步骤：
步骤1、选定训练用的恶意PE文件和良性PE文件，对PE文件进行如下操作：
1.1)提取各文件的结构特征，本发明中所用的结构特征包括Section names特征和Import function特征，这两个特征属于PE文件结构名。对所述恶性PE文件提取这两类特征，对所述良性PE文件也提取这两类特征。本发明中采用lief算法来提取这两个特征，lief是第三方包，用来解析PE文件。
1.2)将提取到的特征无重复的存储形成初始特征库，也就是将所述恶意PE文件和所述良性PE文件的所有Section names特征和Import function特征合起来无重复的保存，组成初始特征库。
比如所述初始特征库为：
1 GetTabbedTextExtentA：user32.dll
2 AddAccessAllowedAce：ADVAPI32.dll
3 CoUninitialize：ole32.dll
……
上面的“1”“2”“3”表示特征的检索码。
1.3)将各文件与所述初始特征库中的所有特征做存在性特征映射，得到所述恶意PE文件与良性PE文件各自的初始特征映射向量。
具体做法为：首先设置一个二进制向量，向量长度与所述初始特征库所含特征的数量相等；然后将两个PE文件与初始特征库中所有的特征进行一一比对，当PE文件中存在初始特征库中的某一特征时，将这一特征检索码在向量中对应的位上的值设为1，若不存在，则将该位上的值设为0，这样就得到了该PE文件的初始特征映射向量。
假设训练用字典中所有特征为4个，对于某一恶意PE文件，文件中含有检索码为1和3的特征，那么该文件对应的初始特征映射向量便为1010。
参照此操作得到各个PE文件的初始特征映射向量。
步骤2、将上面得到所述初始特征映射向量输入到生成式对抗网络GAN进行训练，生成对抗特征映射向量；将此向量与所述初始特征库做对应性映射，得到对抗特征并无重复的保存生成对抗特征库。
具体分步骤如下：
S1：随机生成一取值范围为[0，1)噪声向量Z，将向量Z和恶意PE文件的初始特征映射向量X作为输入传递给GAN的生成器G，输出对抗特征映射向量G(x，z)；其中，生成器G的损失函数公LG为：
LG
其中，x是所述恶意PE文件的初始特征映射向量X中的某一元素，Puniform[0，1)表示均匀分布在[0，1)范围内的随机向量，E是求logD(G(x，z))的数学期望，D(G(x，z))是GAN中鉴别器D对所述对抗特征映射向量G(x，z)的预测结果。
为了训练生成器G，可以通过最小化LG。这样可以降低鉴别器D预测的概率。由于鉴别器D试图拟合黑盒检测器f，对生成器G的训练将进一步欺骗黑盒检测器f。
在生成器G的损失函数中，含有鉴别器D的输出预测结果，这也就是生成器和鉴别器是相互博弈的关系，两者相互联系，相互制约。
S2：将S1中得到的对抗特征映射向量G(x，z)和良性PE文件的初始特征映射向量Y一并输入至GAN的鉴别器D和黑盒探测器f，所述黑盒探测器f对初始特征映射向量Y的预测结果用来对鉴别器D进行拟合，目的是希望鉴别器D的输出跟良性文件的特征更加接近；所述鉴别器D对G(x，z)的预测结果反馈至所述生成器G中，所述鉴别器D的损失函数为：
LD＝Eg∈G(x，z)H(D(g)，f(g))+Ey∈YH(D(y)，f(y)) (2)
其中，g表示所述对抗特征映射向量G(x，z)的某一元素，D(g)表示鉴别器D对g的预测结果，f(g)表示黑盒探测器f对g的预测结果，y表示良性PE文件的初始特征映射向量Y的某一元素，D(y)表示鉴别器D对y的预测结果，f(y)表示黑盒探测器f对y的预测结果；H(a，b)表示参数a与b距离度量函数，H(a，b)＝|a-b|；本发明中H(D(y)，f(y))＝|D(y)-f(y)|，在实际应用中可根据需要自行设置此函数。
为了训练鉴别器D，可以最小化LD，这样可以使鉴别器D更好的拟合黑盒检测器f，同时推动生成器G生成混淆度更高的样本来混淆鉴别器D。
生成器和鉴别器是相互博弈的关系，两者要经过多次迭代才能达到平衡，每次迭代，f和D会为每个输入分配相应的预测结果，即输出信号，使用f产生的预测结果去拟合D，使D的决策尽可能接近f。随着D与f相似度的提高，G对f的对抗攻击能力也会提高。
S1和S2其实是相互关联、相互嵌套的，生成器G和鉴别器D是相互博弈的，这就需要为S2的鉴别器D设置一个初值，以适应生成器G的初次使用。
S3：判断所述生成器G和所述鉴别器D的损失函数是否收敛，如果达到收敛状态，停止迭代，由生成器G输出对抗特征向量G(x，z)并无重复的保存成对抗特征库；否则继续迭代。
通过上述步骤得到跟初始特征映射向量长度一样的对抗特征映射向量，再将对抗特征映射向量跟初始特征库做比对式操作，比如对抗特征映射向量为1110，那么就按照初始特征库中检索码，提取得到相应检索码的特征作为对抗特征，并无重复的保存所有对抗特征生成对抗特征库。
步骤3、参照所述对抗特征库，利用进化算法对上述训练用恶意PE文件进行对抗性修改，得到对抗性修改文件集。
3.1)生成修改文件种群：首先随机生成n个基因组序列，这些基因组序列的长度是修改恶意PE文件常用操作的数量，比如常用的修改操作为10种，那么基因组序列的长度就位10。序列的每一位代表一种修改操作，用0和1来代表是否采用该操作对文件进行修改，1代表采用，0代表不采用。然后，再参照基因组序列来对恶意PE文件进行修改。
假设对恶意PE文件进行修改的所有操作为：{Overlay Append，Section Append，Section Add，Section Rename，Remove Certificate}，数量为5，随机生成某一长度为5基因组序列为10110，那么参照该基因组序列对文件进行的修改操作便为：{Overlay Append，Section Add，Section Rename}。
而各种操作都是利用上述步骤得到的对抗特征库中的特征来进行的。比如，需要进行的修改操作为：Section Add，那么就在对抗特征库中随机挑选一个Section name添加到恶意PE文件中。其余操作按照这种逻辑进行即可，最后得到n个修改后的恶意PE文件。
3.2)选择操作：计算步骤3.1)中得到的n个修改后的恶意PE文件的适应度，根据适应度的大小利用锦标赛方法选择策略选择参与进一步进化的文件。
本发明中文件的适应度是采用random forest评价模型得到的恶意性评分。假设修改后的恶意PE文件为a，f(a)表示采用random forest评价模型对恶意PE文件的恶意性评分，f(a)的取值范围为[0，1]，f(a)的值越小，说明该文件被修改的质量就越好，就越容易被挑选出来进行进一步操作。
锦标赛方法选择策略：每次随机从种群中取出一定数量个体(每个个体入选的概率相同)，然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。
本发明中设定每次选择的个体数量为2，即每次随机从上面修改后的文件中挑选出2个(每个文件入选的概率相同)构成一组，计算每个文件的适应度值，选择其中适应度值最好的保存为子代种群；重复该操作，直到得到的文件可以构成新一代种群，亦即得到n个文件为止。
将得到的这n个文件进行下一步操作。
3.4)交叉和突变操作：对上一步挑选出的文件，选择合适交叉率和突变率，进行交叉和突变操作。
3.5)判断是否到达预定的遗传代数，如果是，结束迭代，输出适应度在(0，0.2)区间内的修改后的恶意PE文件，得到对抗性修改文件集；否则，返回3.2。
步骤4、利用静态检测模型对步骤3中得到的对抗性修改文件集进行筛选，选择出被分类器标记为良性的文件作为规避样本集。
本发明中使用的静态检测模型为MalConv。在实际应用中可选择其他合适的检测模型。
步骤5、对上述规避样本集进行恶意功能验证，将保留训练用恶意PE文件功能的规避样本作为恶意代码对抗样本文件进行输出。
本步使用Cuckoo sandbox来进行恶意功能验证，其验证公式为：
Figure BDA0003050298640000091
其中，B表示训练用恶意PE文件的恶意行为，num(B)表示训练用恶意PE文件恶意行为的数量，Beva表示步骤4得到的规避样本的恶意行为，hits(B，Beva)表示训练用恶意PE文件与规避样本之间相同的恶意行为，sim(B，Beva)表示两者之间恶意行为的相似度。
sim(B，Beva)的取值范围为0～1，当sim(B，Beva)＞0.6时，认为训练用恶意PE文件与规避样本之间有相同的恶意功能，即规避样本保留了训练用样本的功能，那么选择保存下来作为最后的输出。
比如，我们最初选定了一个恶意PE文件和一个良性PE文件进行训练。通过步骤1提取两个文件的Section names特征和Import function特征，无重复的保存10个特征，组成初始特征库；再将这两个文件与初始特征库进行存在性映射，得到各自的初始特征映射向量x(恶意PE文件的初始特征映射向量)和y(良性PE文件的初始特征映射向量)，将x和y输入到生成式对抗网络GAN，经过生成器G和鉴别器D相互博弈后得到对抗特征映射向量g；将此向量与步骤1中的初始特征库做对应性映射，得到8个对抗特征并无重复的保存生成对抗特征库。
接着，利用进化算法对恶意PE文件进行对抗性修改，随机生成20个长度为5的基因组(即假设常用的修改操作为5种)，按照这20个基因组修改恶意PE文件，得到20个修改后的文件，对这些修改后的文件进行基于锦标赛算法的选择操作，再进行交叉和突变操作，生成下一代种群，如此迭代。整个算法过程迭代60次后停止，得到20个文件组成的对抗性修改文件集，计算这些文件的适应度，选择8个适应度在(0，0.2)区间内的修改后的恶意PE文件，得到对抗性修改文件集；。
利用静态检测模型这8个对抗性修改文件进行筛选，选出5个作为规避样本集。
再对上面5个规避样本进行恶意功能验证，留下2个满足条件的规避样本文件作为恶意代码对抗样本文件输出。
在实际应用中，为了提高效率，可以一次选用较多的恶意PE文件和良性PE文件，即可以采用文件集的形式进行，这样使得处理效率更高。各个步骤中的参数、阈值等都可以自由选择设定。
利用VirusTotal上4个具有代表性的基于机器学习的恶意代码检测引擎(ClamAV，Antiy-AVL，Cylance，Ad-Aware)对本方法生成的对抗样本进行验证，每个检测引擎的逃逸率均可达到20％以上，最高可以达到50％，说明有较为优秀的表现，可应用于实际生产中。
本方法还可以优选恶意代码检测得分在0.9以上的恶意PE文件、检测得分在0.1以下的良性PE文件作为训练用文件，即选择的两种文件的良性和恶性比较分明，这样就可以更加保证训练的有效性，同时在生成对抗样本时更具说服性。
本发明可以自动的生成恶意代码对抗样本，在不改变样本原始动态行为的条件下，通过对抗性修改，使基于机器学习的恶意代码检测模型对生成的恶意代码对抗样本做出错误判定，同时还可以绕过商用恶意代码检测引擎。
本发明能够人工调整训练参数，调控系统训练方式，有效提升了生成对抗样本的真实性、高效性以及模型对抗评估的准确性。

Claims (5)

1.一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，其特征在于包括如下步骤：
步骤1、选定训练用的恶意PE文件和良性PE文件，对PE文件进行如下操作：
1.1)提取各文件的结构特征；
1.2)将提取到的特征无重复的存储形成初始特征库；
1.3)将各文件与所述初始特征库中的所有特征做存在性特征映射，得到所述恶意PE文件与良性PE文件各自的初始特征映射向量；
步骤2、将上面得到所述初始特征映射向量输入到生成式对抗网络GAN进行训练，生成对抗特征映射向量；将此向量与所述初始特征库做对应性映射，得到对抗特征并无重复的保存生成对抗特征库；
步骤3、参照所述对抗特征库，利用进化算法对上述训练用的恶意PE文件进行对抗性修改，得到对抗性修改文件集；
步骤4、利用静态检测模型对步骤3中得到的对抗性修改文件集进行筛选，选择出被分类器标记为良性的文件作为规避样本集；
步骤5、对上述规避样本集进行恶意功能验证，将保留训练用恶意PE文件功能的规避样本作为恶意代码对抗样本文件进行输出；
所述步骤2中生成对抗特征映射向量的具体操作如下：
S1：随机生成一取值范围为[0，1)噪声向量Z，将向量Z和恶意PE文件的初始特征映射向量X作为输入传递给GAN的生成器G，输出对抗特征映射向量G(x,z)；生成器G的损失函数公LG为：
Figure FDA0003496270490000011
其中，x是所述恶意PE文件的初始特征映射向量X中的某一元素，Puniform[0,1)表示均匀分布在[0,1)范围内的随机数，E是求logD(G(x,z))的数学期望，D(G(x,z))是GAN中鉴别器D对所述对抗特征映射向量G(x,z)的预测结果；
S2：将S1中得到的对抗特征映射向量G(x,z)和良性PE文件的初始特征映射向量Y一并输入至GAN的鉴别器D和黑盒探测器f，所述黑盒探测器f对初始特征映射向量Y的预测结果用来对鉴别器D进行拟合，所述鉴别器D对G(x,z)的预测结果反馈至所述生成器G中，所述鉴别器D的损失函数为：
LD＝Eg∈G(x,z)H(D(g),f(g))+Ey∈YH(D(y),f(y)) (2)
其中，g表示所述对抗特征映射向量G(x,z)的某一元素，G(g)表示鉴别器D对g的预测结果，f(g)表示黑盒探测器f对g的预测结果，y表示良性PE文件的初始特征映射向量Y的某一元素，D(y)表示鉴别器D对y的预测结果，f(y)表示黑盒探测器f对y的预测结果；H(a,b)表示参数a与b距离度量函数，H(a,b)＝|a-b|；
S3：判断所述生成器G和所述鉴别器D的损失函数是否收敛，如果达到收敛状态，停止迭代，由生成器G输出对抗特征向量G(x,z)并无重复的保存成对抗特征库；否则继续迭代。
2.根据权利要求1所述的一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，其特征在于步骤4中的所述静态检测模型为MalConv。
3.根据权利要求1所述的一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，其特征在于所述步骤5中对规避样本集进行恶意功能验证的评价模型为Cuckoosandbox，其验证公式为：
Figure FDA0003496270490000021
其中，B表示训练用恶意PE文件的恶意行为，num(B)表示恶意行为的数量，Beva表示步骤4得到的规避样本的恶意行为，hits(B，Beva)表示训练用恶意PE文件与规避样本之间相同的恶意行为，sim(B,Beva)表示两者之间恶意行为的相似度。
4.根据权利要求1所述的一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，其特征在于所述步骤1.1中所述的结构特征为Section names特征和Import function特征。
5.根据权利要求1所述的一种基于生成式对抗网络的恶意代码对抗样本自动生成方法，其特征在于所述步骤1.1中提取文件结构特征的算法为lief算法。
CN202110486050.5A 2021-04-30 2021-04-30 一种基于生成式对抗网络的恶意代码对抗样本自动生成方法 Active CN113158190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110486050.5A CN113158190B (zh) 2021-04-30 2021-04-30 一种基于生成式对抗网络的恶意代码对抗样本自动生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110486050.5A CN113158190B (zh) 2021-04-30 2021-04-30 一种基于生成式对抗网络的恶意代码对抗样本自动生成方法

Publications (2)

Publication Number Publication Date
CN113158190A CN113158190A (zh) 2021-07-23
CN113158190B true CN113158190B (zh) 2022-03-29

Family

ID=76873215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110486050.5A Active CN113158190B (zh) 2021-04-30 2021-04-30 一种基于生成式对抗网络的恶意代码对抗样本自动生成方法

Country Status (1)

Country Link
CN (1) CN113158190B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114143024B (zh) * 2021-10-26 2022-07-26 广州大学 基于生成对抗网络的黑盒恶意软件检测对抗样本生成方法、系统、电子设备及存储介质
CN114036521B (zh) * 2021-11-29 2024-05-03 北京航空航天大学 一种Windows恶意软件对抗样本生成方法
CN114266050B (zh) * 2022-03-03 2022-10-04 西南石油大学 一种跨平台恶意软件对抗样本生成方法及系统
CN115086074A (zh) * 2022-07-20 2022-09-20 深圳特科动力技术有限公司 一种具有内部运行监测功能的网络安防病毒识别阻拦系统
CN115168857B (zh) * 2022-08-03 2023-08-22 中国电子科技集团公司信息科学研究院 恶意软件检测优化方法、系统、终端及存储介质
CN115249048B (zh) * 2022-09-16 2023-01-10 西南民族大学 一种对抗样本生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446808A (zh) * 2018-10-30 2019-03-08 中国人民解放军国防科技大学 基于DCGAN的Android对抗样本生成方法及系统
CN110022313A (zh) * 2019-03-25 2019-07-16 河北师范大学 基于机器学习的多态蠕虫特征提取及多态蠕虫辨识方法
CN110826059A (zh) * 2019-09-19 2020-02-21 浙江工业大学 面向恶意软件图像格式检测模型的黑盒攻击的防御方法及其装置
CN111832019A (zh) * 2020-06-10 2020-10-27 国家计算机网络与信息安全管理中心 基于生成对抗网络的恶意代码检测方法
CN112565261A (zh) * 2020-12-04 2021-03-26 浙江大学 基于多生成器AugGAN的对抗动态恶意API序列生成方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100663546B1 (ko) * 2005-07-08 2007-01-02 주식회사 케이티 악성 봇 대응 방법 및 그 시스템
WO2014082599A1 (zh) * 2012-11-30 2014-06-05 北京奇虎科技有限公司 用于恶意程序查杀的扫描设备、云端管理设备及方法和系统
DE102019210270A1 (de) * 2019-05-23 2020-11-26 Robert Bosch Gmbh Verfahren zum Trainieren eines Generative Adversarial Networks (GAN), Generative Adversarial Network, Computerprogramm, maschinenlesbares Speichermedium und Vorrichtung
CN110334806A (zh) * 2019-05-29 2019-10-15 广东技术师范大学 一种基于生成式对抗网络的对抗样本生成方法
US11297084B2 (en) * 2019-09-30 2022-04-05 Mcafee, Llc Methods and apparatus to perform malware detection using a generative adversarial network
CN110941829B (zh) * 2019-11-27 2023-03-10 北京电子科技学院 一种基于生成对抗网络的大规模硬件木马库生成系统及方法
CN112287645B (zh) * 2020-11-09 2022-07-26 北京理工大学 一种基于生成式对抗网络的恶意pdf文档生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446808A (zh) * 2018-10-30 2019-03-08 中国人民解放军国防科技大学 基于DCGAN的Android对抗样本生成方法及系统
CN110022313A (zh) * 2019-03-25 2019-07-16 河北师范大学 基于机器学习的多态蠕虫特征提取及多态蠕虫辨识方法
CN110826059A (zh) * 2019-09-19 2020-02-21 浙江工业大学 面向恶意软件图像格式检测模型的黑盒攻击的防御方法及其装置
CN111832019A (zh) * 2020-06-10 2020-10-27 国家计算机网络与信息安全管理中心 基于生成对抗网络的恶意代码检测方法
CN112565261A (zh) * 2020-12-04 2021-03-26 浙江大学 基于多生成器AugGAN的对抗动态恶意API序列生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An internet of things malware classification method based on mixture of experts neural network";Fangwei Wang .etal;《WILEY》;20201231;第1-12页 *
"基于改进TF-IDF的多态蠕虫特征自动提取算法";王方伟 等;《华中科技大学学报（自然科学版）》;20200229;第48卷(第2期);79-84 *

Also Published As

Publication number Publication date
CN113158190A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113158190B (zh) 一种基于生成式对抗网络的恶意代码对抗样本自动生成方法
Tesfahun et al. Intrusion detection using random forests classifier with SMOTE and feature reduction
US9838406B2 (en) Method and product for providing a predictive security product and evaluating existing security products
Liu et al. ATMPA: attacking machine learning-based malware visualization detection methods via adversarial examples
Hartl et al. Explainability and adversarial robustness for rnns
Noreen et al. Evolvable malware
CN112231703B (zh) 一种结合api模糊处理技术的恶意软件对抗样本生成方法
Moskal et al. Context model fusion for multistage network attack simulation
Raihan-Al-Masud et al. Network intrusion detection system using voting ensemble machine learning
Li et al. Black-box Adversarial Example Attack towards {FCG} Based Android Malware Detection under Incomplete Feature Information
CN111881446B (zh) 一种工业互联网恶意代码识别方法及装置
Yusoff et al. Optimizing decision tree in malware classification system by using genetic algorithm
CN110458209B (zh) 一种针对集成树分类器的逃避攻击方法及装置
Rathore et al. Are Malware Detection Classifiers Adversarially Vulnerable to Actor-Critic based Evasion Attacks?
CN107943754B (zh) 一种基于遗传算法的异构冗余系统优化方法
Iftikhar et al. A supervised feature selection method for malicious intrusions detection in IoT based on genetic algorithm
Jerbi et al. Immune-Based System to Enhance Malware Detection
Shorfuzzaman Detection of cyber attacks in IoT using tree-based ensemble and feedforward neural network
Wang et al. Black-Box Adversarial Windows Malware Generation via United Puppet-based Dropper and Genetic Algorithm
Lu et al. Stealthy malware detection based on deep neural network
KR20220103375A (ko) 그래디언트를 활용한 커버리지 기반의 모델 검증 방법 및 그를 위한 장치
Chakraborty et al. Dynamarks: Defending against deep learning model extraction using dynamic watermarking
Htwe et al. Malware Attack Detection using Machine Learning Methods for IoT Smart Devices
Kingful et al. Dynamic Programming-based Adversarial Windows Payload Generator
CN115271067B (zh) 基于特征关系评估的安卓对抗样本攻击方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Fangwei

Inventor after: Lu Yuanyuan

Inventor after: Wang Changguang

Inventor after: Li Qingru

Inventor after: Zhao Dongmei

Inventor after: Huang Wenyan

Inventor before: Wang Fangwei

Inventor before: Lu Yuanyuan

Inventor before: Wang Changguang

Inventor before: Li Qingru

Inventor before: Zhao Dongmei

Inventor before: Huang Wenyan

GR01 Patent grant
GR01 Patent grant