Amoeba: 通过对抗 强化学习绕过机器学习支持的网络审查
原文中文，约400字，阅读约需1分钟。发表于：。我们设计了一种实用的对抗性攻击策略，使用一种基于强化学习算法的序列生成方法，以欺骗依赖机器学习的流分类器，绕过网络审查。我们的实验证明，这种方法可以生成对抗性流量，对多种机器学习算法具有高达 94% 的攻击成功率，并且这种对抗性流量在不同的网络环境下具有鲁棒性，并且能够迁移至其他分类器，无需重新训练。
本文研究了机器学习模型在检测Windows Portable Executable（PE）文件中的漏洞，比较了不同的恶意软件检测方法，并应用了基于梯度、进化算法和强化学习的方法来生成对抗样本。结果显示，采用强化学习方法的Gym-malware生成器具有最大的实际潜力，其平均生成样本时间为5.73秒，最高平均逃避率为44.11%。将Gym-malware生成器与自身相结合可提高逃避率至58.35%。
