基于机器学习的恶意软件检测器的认证对抗鲁棒性：(去) 随机平滑
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
深度学习恶意软件检测器易受对抗性样本攻击。为此，提出了一种基于随机平滑的防御方案，通过选择相关字节子集降低对抗性内容的采样概率。研究表明，基于块的平滑分类器在应对最新规避攻击时表现出更高的韧性，优于非平滑分类器。
🔎
延伸解读
随机平滑在恶意软件检测中的适配
与计算机视觉中常用的高斯噪声随机化不同，本文针对恶意软件检测提出基于随机消融的平滑方案。通过选择相关字节子集，降低恶意软件作者注入的对抗性内容的采样概率。这种适配考虑了恶意软件样本的离散字节特性，而非连续图像输入，为防御对抗性恶意软件提供了新思路。
块位置选择策略的影响
文章提出两种确定分类块位置的策略：随机选择块的位置和选择连续相邻的块。这两种策略影响平滑分类器的鲁棒性。基于块的平滑分类器在应对最新规避攻击时，明显优于非平滑分类器和基于随机化平滑的分类器，表明块位置的选择对防御效果至关重要。
实验验证与泛化能力
在BODMAS数据集上的实验表明，基于消融的模型对各种最先进的规避攻击表现出更高的鲁棒性和泛化能力。相比未经平滑处理的分类器，该方案能有效提升检测器对对抗性恶意软件样本的韧性，为实际部署提供了参考。
❓
Q&A
深度学习恶意软件检测器为何容易受到攻击？
深度学习恶意软件检测器易受对抗性恶意软件样本攻击，因为这些样本经过有意修改以逃避检测。
什么是基于随机平滑的防御方案？
基于随机平滑的防御方案通过选择相关字节子集来降低对抗性内容的采样概率，以增强恶意软件检测器的鲁棒性。
基于块的平滑分类器与非平滑分类器相比有什么优势？
基于块的平滑分类器在应对最新的规避攻击时表现出更高的韧性，明显优于非平滑分类器和基于随机化平滑的分类器。
如何选择用于分类的块位置？
可以通过随机选择块的位置或选择连续相邻的块来确定用于分类的块位置。
研究结果如何证明防御方案的有效性？
研究结果显示，基于块的平滑分类器在 BODMAS 数据集上对各种规避攻击表现出更高的鲁棒性和泛化能力。
随机平滑技术在恶意软件检测中的应用是什么？
随机平滑技术用于训练基于消融版本的可执行文件的分类器，以提高对抗性恶意软件的检测能力。
🏷️
