マルウェアと検出モデルの敵対的共進化：二水準最適化の観点から

要旨: 機械学習ベースのマルウェア検出器は、敵対的例に対してますます脆弱になっています。ワンショットの敵対的訓練のような従来の防御策は、検出を回避するために強化学習を用いる適応的攻撃者に対してしばしば機能しません。本論文では、防御側と攻撃側の戦略的相互作用を、敵対的な共進化プロセスとして明示的にモデル化する、双レベル最適化に基づく頑健な防御フレームワークを提案します。我々は、MAB-malwareフレームワークを用いて、3つの異なるマルウェアファミリ：Mokes、Strab、DCRatに対して本アプローチを評価しました。実験結果は、標準的な分類器や基本的な敵対的再学習はしばしば依然として脆弱であり、回避率が最大90 %に達する一方で、提案する双レベル最適化アプローチは一貫してほぼ完全な耐性を達成し、回避率を0〜1.89 %に低減することを示しています。さらに、この反復的フレームワークは攻撃者のクエリ複雑性を大幅に高め、成功した回避に要する平均コストを最大で2桁（桁違いに）引き上げます。これらの知見は、双レベル最適化を通じて攻撃と防御の反復サイクルをモデル化することが、進化し続ける敵対的脅威に耐え得る、レジリエントなマルウェア検出システムを開発するために不可欠であることを示唆しています。