基于網(wǎng)絡(luò)安全的惡意軟件檢測方法研究

胡綱

關(guān)鍵詞：網(wǎng)絡(luò)安全；惡意軟件檢測方法；分類；特征

1引言

現(xiàn)代信息技術(shù)高速發(fā)展，一切都在適應(yīng)數(shù)字化浪潮，而不是人工工作方式。技術(shù)有其優(yōu)缺點，科技使人類的生活更便捷，也會出現(xiàn)網(wǎng)絡(luò)被攻擊、數(shù)據(jù)丟失，使隱私數(shù)據(jù)被人濫用的現(xiàn)象。因此，在如今的網(wǎng)絡(luò)世界中，設(shè)備的安全非常重要。而且，互聯(lián)網(wǎng)的使用量與日俱增，互聯(lián)網(wǎng)被廣泛使用的一個缺點是許多計算機系統(tǒng)很容易受到攻擊，并感染上惡意軟件病毒。惡意軟件有不同的名稱，如惡意代碼、惡意程序或惡意可執(zhí)行文件，目的是破壞計算機系統(tǒng)的數(shù)據(jù)保密性、完整性和可用性，甚至可以在用戶不知情的情況下改變和刪除系統(tǒng)、數(shù)據(jù)。

2惡意軟件的類型

2.1病毒

病毒將其惡意代碼附著在干凈的代碼上，等待用戶或自動程序來執(zhí)行它們。類似于生物病毒，它可以快速而廣泛地傳播，對計算機的核心部分造成損害。

2.2蠕蟲

蠕蟲的名字來自于它們感染系統(tǒng)的方式。從一臺被感染的機器開始，它在網(wǎng)絡(luò)中穿行，連接到其他機器以繼續(xù)傳播、感染。這種類型的惡意軟件可以非常迅速地感染整個設(shè)備網(wǎng)絡(luò)。

2.3木馬／特洛伊

這種類型的惡意軟件隱藏在合法軟件中，或?qū)⒆约簜窝b成合法軟件。它將通過創(chuàng)建后門，讓其他惡意軟件變種輕松訪問，從而破壞網(wǎng)絡(luò)安全[1]。

2.4間諜軟件

間諜軟件隱藏在計算機的后臺，這種類型的惡意軟件會在用戶不知情的情況下收集信息，如信用卡資料、密碼和其他敏感信息。間諜軟件是直接或不經(jīng)意地安裝在計算機上的軟件。雖然間諜軟件與木馬／特洛伊程序類似，但它卻被包裝成另一個程序。

2.5勒索軟件

勒索軟件也被稱為恐嚇軟件，它的破壞性是很大的。它不僅能夠鎖定網(wǎng)絡(luò)并鎖住用戶，直到支付贖金，而且它已經(jīng)把當(dāng)今世界上一些最大的組織作為目標(biāo)。

2.6隱蔽式劫持

隱蔽式劫持主要針對一些新型的加密應(yīng)用，如劫持“加密貨幣”，即指未經(jīng)授權(quán)使用他人的計算機來挖掘加密貨幣。密碼劫持是攻擊者強迫用戶提供比特幣的另一種方式，只是它在用戶不一定知情的情況下發(fā)揮作用。而且，加密挖礦的惡意軟件會感染用戶計算機，利用用戶的CPU周期來挖取比特幣，為攻擊者牟利。挖礦軟件可能在用戶的操作系統(tǒng)的后臺運行，甚至作為瀏覽器窗口的JavaScript。

2.7惡意廣告

惡意廣告是利用合法的廣告或廣告網(wǎng)絡(luò)，暗中向無保護的用戶計算機提供惡意軟件。例如，網(wǎng)絡(luò)犯罪分子可能花錢在一個合法網(wǎng)站上投放廣告，當(dāng)用戶點擊該廣告時，廣告中的代碼要么將他們重新定向到一個惡意網(wǎng)站，要么在他們的計算機上安裝惡意軟件。在某些情況下，嵌入廣告的惡意軟件可能在用戶沒有任何行動的情況下自動執(zhí)行。

2.8空文件

空文件的惡意軟件攻擊不會下載惡意文件或向磁盤寫入任何內(nèi)容破壞系統(tǒng)。攻擊者只是利用易受攻擊的應(yīng)用程序，將惡意代碼直接注入主內(nèi)存，還可以利用受信任和廣泛使用的應(yīng)用程序，如利用微軟辦公室或Windows操作系統(tǒng)中的管理工具（如PowerShell和WMI）來運行腳本，并將惡意代碼直接加載到易失性內(nèi)存中。

2.9隱形惡意軟件

隱性病毒是一種隱藏的計算機病毒，它可以攻擊操作系統(tǒng)進程，還能避開典型的反病毒或反惡意軟件掃描。隱性病毒隱藏在文件、分區(qū)和啟動扇區(qū)中，善于故意躲避檢測。隱形惡意軟件根據(jù)其隱藏的內(nèi)容有不同的類型，即Rootkits、代碼突變、反模擬、目標(biāo)機制。

Rootkit可以通過用戶模式掛接、內(nèi)核模式掛接或結(jié)合兩者的混合方式來注入惡意代碼[2]。代碼突變是指惡意軟件改變其代碼，利用突變引擎躲避反病毒軟件，但它可以通過仿真檢測。另一種隱蔽的惡意軟件反仿真在仿真環(huán)境中運行時表現(xiàn)不同。它們可以感知環(huán)境并根據(jù)環(huán)境改變行為。隱形惡意軟件的目標(biāo)機制只在選定的系統(tǒng)上運行和傳播。對于基于組件和基于模式的隱形惡意軟件有不同的應(yīng)對措施。為了檢測基于組件的隱性惡意軟件，可以使用簽名和啟發(fā)式方法檢測鉤技術(shù)，這導(dǎo)致高假陽性率或跨視圖檢測和基于規(guī)范的方法被濫用，其中API調(diào)用的輸出與旨在做同樣事情的低級調(diào)用進行比較。另外一種對策是使用硬件解決方案，其中一臺干凈的機器可以用來監(jiān)測另一臺機器是否存在Rootkits/隱性惡意軟件。虛擬化技術(shù)也能夠檢測隱性惡意軟件，但它們也容易受到反變異惡意軟件的影響。對于檢測基于模式的隱性惡意軟件，可以使用基于簽名、行為、啟發(fā)式和模型的技術(shù)。圖1為惡意軟件的幾大類型。

3惡意軟件檢測

惡意軟件檢測有多個階段，它們共同作用于惡意軟件的檢測或分類。以前的研究主要集中在Windows、智能手機和嵌入式系統(tǒng)（IOT）的惡意軟件檢測上。如今，對智能手機中的惡意軟件檢測的研究正在增多。由于新的研究是基于惡意軟件日益增長的復(fù)雜性而進行的，因此惡意軟件的檢測方法也在日益改變。但所有的研究中，主要的惡意軟件檢測過程基本保持不變。

3.1惡意軟件的檢測技術(shù)

3.1.1基于簽名的檢測

模式匹配是惡意軟件檢測中最常見的方法，而基于簽名的檢測是該領(lǐng)域最流行的方法。簽名是每個文件的獨特特征，類似于可執(zhí)行文件的指紋。基于簽名的方法使用從各種惡意軟件中提取的模式來識別它們，比其他任何方法都更快且更有效。這些簽名通常是以特別敏感的方式提取出來的，因為是獨一無二的，所以使用簽名檢測方法的錯誤率很低。其中，低錯誤率是大多數(shù)普通商業(yè)反病毒軟件使用這種技術(shù)的主要原因。但這些方法無法檢測未知的惡意軟件變體，而且需要大量的人力、時間和金錢來提取獨特的簽名。

3.1.2基于行為的檢測

基于行為的惡意軟件檢測技術(shù)通過觀察程序的行為，就可以得出它是惡意軟件的結(jié)論。由于基于行為的技術(shù)觀察可執(zhí)行文件的行為，它們不容易受到基于簽名技術(shù)的缺點的影響。簡單而言，基于行為的檢測器通過檢查一個程序的行為，而不是它所說的內(nèi)容來斷定它是否是惡意的。在這些方法中，具有相同行為程序被收集起來。因此，單一的行為簽名可以識別各種惡意軟件的樣本。這些類型的檢測機制有助于檢測不斷產(chǎn)生新的變種的惡意軟件，因為它們總是以類似的方式使用系統(tǒng)資源和服務(wù)。基于行為的檢測器基本上由以下部分組成。

（1）數(shù)據(jù)收集器：該組件收集關(guān)于可執(zhí)行文件的動態(tài)／靜態(tài)信息。

（2）解釋器：該組件將數(shù)據(jù)收集模塊收集的原始信息轉(zhuǎn)換為中間表示。

（3）匹配器：該組件用于將相關(guān)表示法與行為簽名進行比較。

3.1.3基于啟發(fā)式的檢測

在啟發(fā)式方法中，檢測器使用簽名和行為技術(shù)的特征來檢測惡意軟件。它使用的特征包括API調(diào)用、CFC、操作碼、n-gram，DLLs列表和其他混合特征。這種技術(shù)可以使用任何機器學(xué)習(xí)算法來訓(xùn)練和測試模型，并對惡意軟件進行分類或檢測[3]。它在一定程度上檢測零日惡意軟件的準(zhǔn)確率很高，但它不能檢測復(fù)雜的惡意軟件。為了克服簽名和基于行為的惡意軟件檢測方法的缺點，有研究給出了關(guān)于啟發(fā)式檢測方法和機器學(xué)習(xí)算法的調(diào)查，對API調(diào)用、CFC，N-gram，Opcode[4]和混合特征做了詳細研究，其使用機器學(xué)習(xí)算法來生成一個與簽名相似的模式。基于該簽名，新的可疑程序被標(biāo)記為惡意軟件或良性軟件。

3.1.4基于深度學(xué)習(xí)的檢測

深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)工程（ ANN）的一部分或子領(lǐng)域，能夠在沒有人類監(jiān)督的情況下學(xué)習(xí)，從非結(jié)構(gòu)化和無標(biāo)簽的數(shù)據(jù)中汲取營養(yǎng)。其主要用于減少惡意軟件檢測中的特征[5]。有研究者提出DL-Droid是一個使用動態(tài)分析和有狀態(tài)輸入生成的應(yīng)用程序，用于檢測Android系統(tǒng)中的惡意軟件，并使用深度學(xué)習(xí)系統(tǒng)對有狀態(tài)輸入生成方法的檢測性能和代碼覆蓋率與常用的無狀態(tài)方法比較[6]。

3.1.5基于物聯(lián)網(wǎng)和移動的檢測

物聯(lián)網(wǎng)（ LoT）設(shè)備是指連接互聯(lián)網(wǎng)的智能設(shè)備，如家用電器、網(wǎng)絡(luò)攝像機和傳感器。由于移動設(shè)備和物聯(lián)網(wǎng)設(shè)備在用戶中日益流行，它們也成為攻擊者更喜歡的目標(biāo)。正因如此，惡意軟件檢測模式正在從計算機領(lǐng)域向物聯(lián)網(wǎng)和移動設(shè)備領(lǐng)域轉(zhuǎn)變。有研究對目前所有已知的物聯(lián)網(wǎng)惡意軟件家族進行了分析，并將這項工作作為開源母版上傳，使用細粒度特征的Android系統(tǒng)惡意軟件檢測，它利用應(yīng)用程序使用的權(quán)限作為靜態(tài)特征，評估了1700個良性應(yīng)用程序和1600個惡意應(yīng)用程序，達到了94.50-/0的TP率。3.1.6基于模型檢查的檢測

在這種檢測方法中，惡意軟件的行為是手動提取的，并使用線性時間邏輯（ LTL）對行為組進行編碼，以顯示軟件特征。程序行為是通過查看一個或多個系統(tǒng)調(diào)用的流程關(guān)系來創(chuàng)建的，并通逋使用隱藏、傳播和注入等屬性來定義行為。通過比較這些行為，可以確定該程序是惡意軟件還是良性軟件。基于模型檢查的檢測可以在一定程度上檢測一些新的惡意軟件，但不能檢測所有新一代的惡意軟件。3.1.7機器學(xué)習(xí)算法

大多數(shù)檢測使用不同類型的機器學(xué)習(xí)算法進行分類和檢測。對于惡意軟件的檢測，我們可以根據(jù)文件類型應(yīng)用任何機器學(xué)習(xí)算法，并根據(jù)準(zhǔn)確性、logloss或其他性能指標(biāo)選擇最佳算法。例如，對一個Android文件（apk）進行分類，無論是惡意的還是合法的，都可以提取權(quán)限、api調(diào)用或系統(tǒng)調(diào)用特征，并可以應(yīng)用任何分類算法，如SVM、隨機森林等，以下是可能影響機器學(xué)習(xí)算法的因素：數(shù)據(jù)集、特征類型、用于選擇最突出特征的特征選擇算法、用于將應(yīng)用程序歸類為惡意或干凈的分類算法、分類器的參數(shù)值（超參數(shù)）。4結(jié)束語

本文雖然介紹了7種惡意軟件的檢測方法，但沒有一種方法能夠完全檢測出所有新一代的惡意軟件，只有基于行為和模型檢查的檢測方法可以在一定程度上抵御混淆。結(jié)果顯示，基于深度學(xué)習(xí)和云計算的方法也能很好地檢測部分惡意軟件，但它們不能完全檢測所有類型的惡意軟件。