Shall_ByeBye-CSDN博客

原创【综述】对抗样本生成及攻防技术综述

作者是电子科技大学的刘小垒等，2019年发表在计算机应用研究主要内容：以机器学习的安全性问题为出发点，介绍了当前机器学习面临的隐私攻击、完整性攻击等安全问题，归纳了目前常见对抗样本生成方法的发展过程及各自的特点，总结了目前已有的针对对抗样本攻击的防御技术，最后对提高机器学习算法鲁棒性的方法做了进一步的展望。一、机器学习模型的攻击方式1.1一般说来，对机器学习模型的攻击方式包括破坏模型的机密性 (confidentiality) 、完整性 integrity) 和可用性 (availabilit

2020-07-06 18:48:09 3407

原创【对抗攻击】【综述】Threat of Adversarial Attacks on Deep Learning in Computer Vision: A Survey

作者：Naveed Akhtarand Ajmal Mian2018年发表的一篇综述文章，现在很多最新的进展没有被包含在内，涵盖了最经典的一些对抗攻击与防御方法。但研究主要集中在CV方向，大多数都是图片分类问题。一、关于对抗攻击的常用术语Adversarial example/image: 对抗样本，被添加了恶意扰动的图片用来误导机器学习技术比如深度神经网络Adversarial perturbation: 对抗扰动，干净样本+对抗扰动（噪声）->对抗样本Adversarial train

2020-07-06 18:43:55 1799

原创【恶软】【对抗】【攻】Adversarial Malware Binaries: Evading Deep Learning for Malware Detection in Executables

作者是Bojan Kolosnjaji, Ambra Demontis等2018年发表在European Signal Processing Conference一、主要内容：在本文中，我们调查了使用深层网络从原始字节中学习的恶意软件检测方法的漏洞。我们提出了一种基于梯度的攻击，这种攻击可以通过在每个恶意软件样本的末尾仅更改几个特定的字节，同时保留其侵入功能，来逃避深度网络检测。结果表明，即使修改的字节数不到1％，我们的对抗性恶意软件二进制文件也极有可能逃避目标网络。二、设计与实现本文提出

2020-06-30 18:05:48 570

原创【恶意软件检测】【防】On Training Robust PDF Malware Classifiers

论文链接：https://arxiv.org/pdf/1904.03542.pdf开源项目地址：https://github.com/surrealyz/pdfclassifier本文发表在USENIX Security 2020，第一作者是来自哥伦比亚大学的Yizheng Chen.这篇论文的成果来自Suman Jana老师领衔的研究组。该组在机器学习安全领域有很多优秀的成果。主要内容：本篇工作针对PDF恶意软件提出了新的鲁棒训练方法。本篇工作采用Verifiably Robust Training

2020-06-21 15:28:27 751

原创【生成对抗样本】Simple Black-Box Adversarial Attacks on Deep Neural Networks

对深度神经网络的简单黑盒对抗性攻击作者：Narodytska N，Kasiviswanathan S2017年发表在IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops主要内容深度神经网络容易受到精心设计的对抗性干扰，这会导致输入的错误分类。在本文中，我们专注于深度卷积神经网络，并证明即使没有目标网络的任何内部知识，对手也可以轻松制作对手示例。我们的攻击利用了一种新颖的基于局部搜

2020-06-20 19:50:12 1967

原创【恶软检测】【防】Deep neural network based malware detection using two dimensional binary program features

使用二维二进制程序特征的基于深度神经网络的恶意软件检测作者是Saxe J，Berlin K2015 年发表在10th International Conference on Malicious and Unwanted Software, MALWARE 2015主要内容：恶意软件对公司、政府机构和个人来说仍然是一个严重的问题，机器学习有希望自动化检测新发现的恶意软件族，并可能学习关于恶意软件和良性软件的一般化，以支持检测全新的、未知的恶意软件族。本文对基于深度神经网络的恶意软件检测系统进行了详细

2020-06-20 16:13:17 634

原创【恶意软件检测】【防】DeepRefiner: Multi-layer Android Malware Detection

文中部分内容来自：复旦白泽战队微信公众号文章论文链接：点击查看本文发表在2018 IEEE European Symposium on Security and Privacy (EuroS&P)，（安全顶级会议）第一作者是来自新加坡管理大学（SMU）的Ke Xu。主要内容1.快速又有效的检测恶意软件1.1快速：将多层感知机（MLP,也叫ANN即人工神经网络）应用于xml文件上，能够快速的检测大部分恶意软件1.2有效：基于语义的深度学习，在安卓应用的字节码上使用含有语义结构的LS

2020-06-19 18:04:33 606

Shall_ByeBye的博客