검증 가능한 악성코드 탐지: 회피 공격에 대한 수학적 보장

요약

기존 머신러닝 기반 정적 악성코드 탐지기는 변형(metamorphic) 엔진과 같은 적대적 회피 기법에 취약합니다. 본 연구는 '랜덤화 스무딩(randomized smoothing)'을 활용하여 이러한 취약점을 해결하는 검증 가능한(certifiably robust) 악성코드 탐지 프레임워크를 제안합니다. 이 시스템은 실행 파일을 여러 변형된 버전으로 분석하고, 평활화된 분류기(smoothed classifier)의 다수결 투표와 Wilson 점수 간격 분석을 통해 특정 반경 내 특징 공간 교란에 대한 강건성을 수학적으로 보장하는

핵심 포인트

• 랜덤화 스무딩 기반 프레임워크를 사용하여 적대적 회피 공격(adversarial evasion attacks)에 대응하는 악성코드 탐지 시스템을 구축했습니다.
• 시스템은 실행 파일의 여러 변형된 버전(ablated variants)을 생성하고, 평활화된 분류기(smoothed classifier)를 통해 다수결 투표로 최종 레이블을 결정합니다.
• Wilson 점수 간격 분석을 활용하여 특징 공간 교란에 대한 강건성을 수학적으로 보장하는 공식 인증서(formal certificate)를 도출할 수 있습니다.
• 제안된 평활화된 분류기는 기반 머신러닝 아키텍처 수정 없이도 변형 회피 공격에 대해 검증 가능한 강건성(certifiable robustness)을 제공함을 입증했습니다.