基于深度學習的漏洞挖掘技術分析

◆王斌

基于深度學習的漏洞挖掘技術分析

◆王斌

（清遠職業技術學院 廣東 511510）

現階段在進行網絡安全管理時，對于深度學習賦能的惡意代碼攻防研究已經成為了主要內容。當前在對相關技術進行研究時，缺乏相應的論述內容，要想對該領域的研究成果進行全面的轉化，需要加大技術的投入力度。要在現有技術的基礎上，對其進行創新和優化，才能提高綜合技術水平。在進行技術研發的過程中，要對惡意代碼攻擊的一般流程進行深入的了解，需要對深度學習的賦能攻擊點和防御點進行定位，從而研發針對性的深度學習助力攻擊技術。本文就基于深度學習的漏洞挖掘技術進行相關的分析和探討。

深度學習；漏洞挖掘技術；分析探討

惡意代碼主要包含了病毒和遠控木馬以及僵尸程序等類型，自從蠕蟲出現以來，惡意代碼的破壞程度正在不斷增加，已經引起了國內外的廣泛關注。近幾年在進行網絡安全事件分析時發現，惡意代碼的比重正在不斷提升，如僵尸網絡造成持續性威脅的安全事件，都是以惡意代碼作為核心產生的攻擊組件，并且造成了實際的危害。一旦出現相關事件，就會帶來嚴重的經濟損失，且會對計算機設備造成嚴重的危害，甚至會引發停電等故障問題。因此要引進更加先進的漏洞挖掘技術，對相關問題進行全面的解決[1]。

1 基于深度學習的助力攻擊技術

（1）基于對抗樣本的自動化免殺技術

在深度學習的基礎上研發助力攻擊技術，如果外界試圖通過惡意代碼攻擊鏈，對可操作的各個攻擊環節進行賦能，可以增強攻擊的魯棒性。在惡意代碼攻擊鏈基礎上，對攻擊力流程進行全方位的研究，將深度學習賦能的新型攻擊技術，劃分成5種類型。在惡意代碼攻擊的準備階段，首先要構建惡意代碼，提升代碼的免殺和生存能力。如果代碼出現了新的威脅或趨勢，反病毒引擎會作為對抗產物，需要對其進行持續的發展，從而與惡意代碼產生制衡的狀態。反病毒引擎在進行變種檢測時，健壯性正在不斷加強。現階段反病毒引擎已經研發出來，可以對惡意代碼進行全面的查殺。但反病毒引擎的發展，會促進惡意代碼的發展。為了對攻擊人員的意圖進行深入的了解，并且制定全方位的防御措施。安全研究人員要從攻擊人員的角度，對惡意代碼的發展趨勢進行預測，從而對惡意代碼的范式以及轉變形式進行全面的了解[2]。

對于惡意代碼免殺的研究來說，深度學習技術的應用優勢，在于可以對重要的特征進行自動學習，不需要對特征進行人工選擇。對于惡意代碼中一些潛在的威脅，可以自動預測或刪除。深度學習技術的自主學習能力比較強，適用范圍更廣。在惡意代碼查殺的基礎上融合深度學習技術，可以增強拓展性。早在2016年，就有科研人員基于前向導數算法生成的具有對抗性的惡意代碼進行了研究，從而對深度神經網絡的攻擊進行有效的對抗和查殺。在實驗的過程中發現，這種技術的誤分類率在15%左右，也就是說這項技術的可行性非常高[3]。

如圖1所示，2017年在此模型基礎上，構建了相應的模型，繞過黑核檢測系統生成對抗性惡意代碼，能夠將檢測率降低到接近于零。基于再訓練防御效技術，難以對抗相應的攻擊，將深度學習中的遞歸神經網絡與這項技術進行有機結合，可以生成對抗性惡意代碼，從而對抗多種不同結構的模擬反病毒引擎。2018年科研人員首次在字節粒度上，提出末尾填充字節的方式，生成對抗性惡意代碼。基于梯度下降算法，對要填充的字節進行指導測試，準確率高達92.83%。基于字節粒度的檢測系統，存在60%的成功率[4]。

（2）基于自然語言的自動化網絡釣魚技術

準備階段武器構建完成之后，構建人員要將其投放到目標環境中，網絡釣魚屬于主流的攻擊形式。早在2012年91%的定向攻擊，使用了魚叉式網絡釣魚攻擊形式，可以誘騙受害人員打開惡意網站或文件。網絡釣魚與威脅管理公司在2017年指出，網絡釣魚屬于主要的攻擊媒介。2019年數據泄露報告顯示，32%的數據泄露事件是由網絡釣魚引發的。78%的網絡間諜事件涉及網絡釣魚技術。在對實際攻擊案例進行分析時發現，惡意代碼投進中，魚叉式網絡釣魚屬于首選技術。將深度學習的賦能效應融合到惡意代碼投遞能力提升中，自動化網絡魚叉式釣魚技術的發展速度正在不斷加快，可以實現惡意代碼投遞的自動化發展。因此要引進新型的防御技術，對釣魚機器人進行檢測[5]。

圖1 構建模型

（3）基于神經網絡的精準定位與打擊技術

惡意代碼投放到目標環境中，會建立持續的控制。在影響階段釋放惡意攻擊行為之后，防御人員的檢測主動性會有所提升。如圖2所示，在對特定目標進行精準打擊時，攻擊人員發現了新型的攻擊手段，并且將深度學習模型作為了主要的核心組件。利用深度學習技術實現精準定位與打擊，構建模型作為主要的攻擊組件。只有在特定攻擊目標出現時，這個模型才會釋放惡意行為，實現精準的打擊。因此相關模型的精準識別能力比較強。現階段這項技術的最新研究成果，借助CNN模型實現了特定目標的精準定位與打擊。在對精準定位與打擊的攻擊思路進行研發時，不能僅僅停留在理論分析層面。在進行拓展分析時可以發現，此種類型的攻擊手法已經作用于高級的持續性威脅攻擊中。這類攻擊技術一旦被廣泛應用，將會難以實現對抗[6]。

2 基于深度學習的助力防御技術

（1）基于深度學習的惡意代碼查殺技術

在深度學習技術基礎上進行惡意代碼的查殺，屬于突破和存在階段的防御技術。突破階段防御人員需要在網絡邊界部署反病毒的引擎，存在階段攻擊人員已經建立了立足點，反病毒引擎部署在終端的主機側。雖然部署位置存在較大的差異，但所有類型的反病毒引擎查殺對象，都屬于準備階段構建的惡意代碼。攻擊人員在進行惡意代碼構建時，趨向于增強代碼的生存性與隱蔽性的技術手段，需要實現代碼的持久性駐留。在傳統技術基礎上構建反病毒引擎，無法對惡意代碼的潛在性特征進行全面的了解。深度學習融合了自主學習的特征，為技術的研發提供了靈感，將其作用于突破和存在兩個環節。可以對不可見的惡意代碼進行有效的查殺[7]。

圖2 精準定位

（2）基于自動化網絡的釣魚攻擊識別技術

自動化網絡釣魚攻擊識別技術，是在投遞階段進行賦能防御，這個階段的檢測對象屬于惡意代碼投放的傳播媒介。傳統的網絡釣魚，可以利用黑名單和機器學習等方法實現對抗。攻擊人員研發了新型的自動化網絡釣魚攻擊技術，在對技術進行探索時，結合人工智能技術，構建了自動化網絡釣魚活動。融合深度學習賦能的釣魚攻擊識別技術，可以構建機器人檢測系統。這項系統的非線性特征比較明顯，在已經訓練好的模型中，大多數隱藏單元的激活值分布差異比較明顯。

經過實驗證明，這項檢測系統可以將社交機器人與人類活動進行分離，存在96%的分類精確度。將其作用于賬戶級別的檢測活動中，分類準確性高達99%。利用深度神經網絡，對網絡釣魚電子郵件進行檢測，存在94.27%的檢測性能。因此這項技術的可行性非常高，可以作用于自動化網絡的釣魚識別活動中。在進行技術研發時，需要充分發揮深度學習的賦能效應，并且提高機器學習的檢測效果，才能對相關技術研發時的難點問題進行有效的解決。這項技術不僅存在內容檢測效果，還可以拓展檢測視角，用于流量的檢測。

3 結語

綜上所述，在進行網絡空間安全技術研發時，要將深度學習賦能的惡意代碼攻防技術作為研究的重點。對于惡意代碼攻擊鏈定位深度學習的賦能點研發來說，可以在此基礎上，探索新型的惡意代碼生成機理，并且對代碼的入侵方式和攻擊釋放原理進行重點研究。需要將相關技術進行有機結合，將其作為技術研發的主要方向。在對代碼進行研究時，融合深度學習技術，可以讓惡意代碼攻擊變得更加復雜且難以檢測。在對可行性攻擊進行驗證之后，可以在人工智能領域進行新的探索，從而促進技術的可持續發展。

[1]冀甜甜，方濱興，崔翔，等.深度學習賦能的惡意代碼攻防研究進展[J].計算機學報，2021，44（04）：669-695.

[2]朱亞運，余文豪，應歡，張曉娟，繆思薇.嵌入式終端固件漏洞挖掘方法及框架實現[J].電力信息與通信技術，2021，19（02）：23-28.

[3]陳嘉煒，楊黎斌，周放.基于蜜網的工業互聯網協同檢測技術研究[J].保密科學技術，2021（02）：15-21.

[4]張振清，董玉亮，董可然，李湘文.基于人工智能的鐵路“六合一”乘客實名制核驗系統研究[J].貴州大學學報（自然科學版），2021，38（01）：45-51.

[5]陳劍鋒，楊例鋼，陳天瑩.基于知識服務的網絡空間安全戰略風險管理研究[J].通信技術，2020，53（12）：3034-3039.

[6]范小雨，鄭旭東，鄭浩.智能實訓教學何以可能：基于數字孿生技術的分析[J].職教通訊，2020（12）：26-31.

[7]孫倩文，閆寒，陳羽凡，李端，劉芷君.網絡安全技術發展方向與趨勢研究[J].今日科苑，2020（11）：32-39.

本文由“清遠市網絡安全與維護技能大師工作室項目”和“O2O混合教學和眾測服務在網絡安全高技能人才培養中的應用與研究項目”支持