Towards Certified Malware Detection: Provable Guarantees Against Evasion Attacks

إليك ملخص تقني مفصل لورقة البحث: "نحو كشف معتمد للملفات الضارة: ضمانات مثبتة ضد هجمات التهرب".

1. بيان المشكلة

تتعرض أنظمة كشف البرمجيات الضارة القائمة على التعلم الآلي، والتي تعتمد على التحليل الساكن (Static Analysis)، للتسلل بشكل متزايد عبر هجمات التهرب العدائية (Adversarial Evasion Attacks)، لا سيالما تلك التي تستخدم محركات التحول الشكلي (Metamorphic Engines) مثل (PyMetaEngine). تقوم هذه المحركات بتعديل البنية الثنائية (Binary Assembly) للبرمجية الضارة لتغيير سماتها الهيكلية دون تغيير وظيفتها الخبيثة، مما يتسبب في تجاوز البرمجية لخط القرار الخاص بالمصنفات القياسية وتصنيفها خطأً على أنها ملفات سليمة.

تعتمد الدفاعات الحالية غالباً على المتانة التجريبية (Empirical Robustness)، والتي تفتقر إلى الضمانات الرياضية. هناك حاجة ماسة لآلية دفاع توفر متانة معتمدة (Certified Robustness) ضد الاضطرابات في فضاء السمات ضمن النطاق المنفصل والهيكلي لملفات (Portable Executable - PE)، حيث لا يمكن تطبيق تقنيات التنعيم التقليدية في النطاق المستمر (مثل حقن الضوضاء الغاوسية على الصور) بشكل مباشر.

2. المنهجية

يقترح المؤلفون إطار عمل لكشف البرمجيات الضارة المعتمد يعتمد على التنعيم العشوائي (Randomized Smoothing) المُكيف مع فضاءات السمات المنفصلة. يعمل إطار العمل في مرحلتين:

أ. مرحلة التدريب

1. استخراج السمات: يستخرج النظام 2,381 سمة هيكلية من ملفات PE باستخدام خط معالجة EMBER وإطار عمل LIEF.
2. تجميع السمات: للحفاظ على التبعيات الدلالية، يتم تقسيم الـ 2,381 سمة إلى مجموعات منفصلة (K من المجموعات، تضم كل منها حوالي 50 سمة).
3. التعزيز المستهدف:
   • استئصال السمات (Feature Ablation): أثناء التدريب، يتم استئصال 20% من مجموعات السمات عشوائياً (ضبط قيمتها إلى صفر) للعينات الخبيثة.
   • حقن الضوضاء: يتم حقن ضوضاء غاوسية مضافة ($\epsilon \sim N(0, \rho^2)$) في 10% من السمات المتبقية غير المستأصلة.
   • المصنف الأساسي (BC): يتم تدريب نموذج LightGBM قياسي على البيانات النظيفة.
   • المصنف المُنعم (SC): يتم تدريب نموذج LightGBM على مجموعة البيانات المعززة (النسخ النظيفة + النسخ المستأصلة + النسخ المشوبة بالضوضاء) لتعلم حدود قرار متينة.
4. البنية الهيكلية: تستخدم التجارب الرئيسية نموذج LightGBM (التعزيز المتدرب للأشجار)، ولكن تم التحقق من الطريقة أيضاً باستخدام MalConv (شبكة عصبية تلافيفية عميقة).

ب. مرحلة الاستدلال

1. التجميع العشوائي (Stochastic Aggregation): بدلاً من تمريرة أمامية واحدة، يقوم المصنف المُنعم (SC) بإنشاء $N$ من المتغيرات المضطربة (مثلاً 50 متغيراً) للمدخلات عن طريق تطبيق الاستئصال العشوائي للجموع وحقن الضوضاء.
2. التصويت بالأغلبية: يتم تحديد التنبؤ النهائي بناءً على تصويت الأغلبية من التنبؤات العشوائية الـ $N$.
3. الاعتماد (فترة ويلسون السكور - Wilson Score Interval):
   • يحسب النظام الاحتمال التجريبي ($\hat{p}$) للفئة الأكثر تكراراً.
     % باستخدام فترة ويلسون السكور، يتم حساب حد أدنى متحفظ ($p_{lower}$) عند مستوى ثقة عالٍ (مثلاً 99.9%).
   • إذا كان $p_{lower} > 0.5$، يُعتد بالتنبؤ كونه متيناً (Robust).
   • يتم اشتقاق نصف قطر المتانة المعتمدة ($R$): $R = \sigma \cdot \Phi^{-1}(p_{lower})$. وهذا يضمن أن أي اضطراب ضمن كرة $L_2$ بنصف قطر $R$ لن يغير التصنيف.

3. المساهمات الرئيسية

• تنعيم السمات المنفصلة: تكييف التنعيم العشوائي مع فضاء السمات عالي الأبعاد والمنفصل لكشف البرمجيات الضارة من خلال الجمع بين تجميع السمات، والاستئصال المتحكم به، وحقن الضوضاء المستهدف.
• آلية اعتماد رسمية: تقديم إطار عمل رياضي باستخدام التصويت بالأغلبية وفترة ويلسون السكور لتوفيد ضمانات مثبتة ضد الاضطرابات العدائية للسمات.
• استقلالية البنية الهيكلية: إثبات أن دفاع التنعيم يعمل عبر بنيات نماذج مختلفة، حيث تم التحقق من صحته على كل من LightGBM (القائم على الأشجار) وMalConv (التعلم العميق).
• الدفاع المستهدف: استراتيجية تستهدف تحديداً هجمات التهرب التحولية (Metamorphic Evasion Attacks) الواقعية بدلاً من الضوضاء العامة، مما يسد الفجوة بين المتانة التجريبية والأمن المثبت.

4. النتائج التجريبية

تم تقييم إطار العمل مقابل البيانات النظيفة، والضوضاء الاصطناعية، ومتغيرات التحول الشكلي المولدة بواسطة PyMetaEngine.

• الأداء المرجعي: حافظ المصنف المُنعم (SC) على دقة شبه مثالية (~99.8%) على البيانات النظيفة، مساوياً أو متفوقاً قليلاً على المصنف الأساسي (BC).
• المرونة تجاه الضوضاء الاصطناعية:
  • تحت تأثير ضوضاء سمات بنسبة 40%، انخفضت نسبة الاستدعاء (Recall) للمصنف (BC) إلى 86.97% (فشل في كشف >13% من البرمجيات الضارة).
  • حافظ المصنف المُنعم (SC) على نسبة استدعاء 99.62% ودقة 99.32%، مما أظهر مرونة فائقة.
• التهرب التحولي (Metamorphic Evasion):
  • عند الهجوم باستخدام PyMetaEngine + 10% ضوضاء، انخفضت نسبة استدعاء (BC) إلى 94.77%.
  • ظل المصنف المُنعم (SC) مستقراً عند 99.86% من نسبة الاستدعاء.
  • حتى تحت ضوضاء مشتركة بنسبة 40%، حافظ (SC) على نسبة استدعاء 99.60%، بينما انخفض (BC) إلى 84.14%.
• التعميم في التعلم العميق (MalConv):
  • حافظ (SC) المطبق على MalConv على دقة 94.76% تحت تأثير فساد في البايتات بنسبة 40%، بينما انهار نموذج Mal-Base إلى 65.54%.
• الاعتماد (Certification): نجح النظام في حساب أنصاف أقطار المتانة المعتمدة، مما أثبت استقرار التنبؤات ضمن حدود الاضطراب المحددة.

5. الأهمية

تعالج هذه الورقة فجوة حرجة في الأمن السيبراني من خلال نقل كشف البرمجيات الضارة من الدفاعات التجريبية (التي يمكن تجاوزها بهجمات جديدة) إلى الدفاعات المثبتة.

• الضمان النظري: توفر الورقة أول ضمان رياضي رسمي بأن مصنف البرمجيات الضارة لن يُخدع بواسطة الهجمات التحولية ضمن نصف قطر اضطراب محدد.
• الأثر العملي: لا تتطلب هذه الطة تعديل بنية التعلم الآلي الأساسية (فهي تعمل مع نماذج LightGBM أو MalConv الموجودة بالفعل) ويمكن دمجها في خطوط الكشف الحالية.
• الاتجاه المستقبلي: تضع حجر الأساس لتجميع السمات التكيفي والدفاع ضد عائلات هجومية أكثر تعقيداً في العالم الحقيقي، مما ينقل النموذج نحو "الأمن المعتمد" في كشف البرمجيات الضارة المدعوم بالذكاء الاصطناعي.