基于（去）随机平滑技术的端到端恶意软件检测器认证对抗鲁棒性

《ACM Transactions on Privacy and Security》：Certified Adversarial Robustness of End-to-End Malware Detectors via (De)Randomized Smoothing

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

端到端的机器学习恶意软件检测器容易受到对抗性示例的攻击，这类精心设计的恶意程序通过微小的改动就能规避检测。这类攻击通常通过替换未使用的内容（补丁攻击）或注入新模式（内容注入攻击）来实现。为应对这些攻击，近期研究集中在端到端模型的验证方法上，旨在在有限的扰动范围内证明模型的稳健性。然而，现有的方法（i）无法抵御内容注入攻击，（ii）仅能为相对于整个程序规模而言可忽略的扰动提供概率性保证。因此，在本文中，我们通过基于（去）随机平滑技术的新型确定性验证方案来解决这些限制。我们的防御机制将每个可执行文件分割成互不重叠的块，并分别对它们进行分类。最终决策是通过所有块的多数投票得出的，这样可以确保诸如注入或修改的代码之类的局部改动只会影响有限数量的块，从而对整体分类的影响降到最低。这种设计保证了每个块要么包含对抗性扰动，要么不包含，从而使我们能够（i）处理发生在程序任意位置的改动，（ii）计算出为规避检测所需的扰动幅度的确定性估计值。我们通过大量的实验分析证明了该验证方案的有效性，将其与各种先进的攻击和防御方法进行了比较。结果表明，我们的方法在所有测试的攻击场景中都具有无与伦比的稳健性，远远优于其他竞争性防御方法。

AI总结

AI生成的总结（实验性）

此总结是使用自动化工具生成的，未经文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结。完整文章才是具有权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。