01 背景

恶意代码（Malicious/Unwanted Code）泛指所有会对网络或系统产生威胁或潜在威胁的计算机代码，造成目标系统信息泄露、资源滥用、破坏系统完整性及可用性、违背目标系统安全策略等危害。

近年来，虽然恶意代码爆发式增长，但安全研究人员发现，许多新型恶意代码都是已有恶意代码的变种，这些变种很多是黑客利用变形、加壳、多态、代码扰乱等技术制造的，可以躲避黑白名单、特征码匹配等传统的检测技术[1][10]。实际上，这些变种现象反映了恶意代码之间的同源关系。例如，2017年出现的WannaCry实际上与已知病毒Wcy具有同源关系，但该病毒绕过了各类检测工具，造成了严重的经济损失。因此，发现同源关系逐渐成为网络安全领域关注焦点。

恶意代码同源分析（Homology Analysis）是指通过恶意代码内外部特性以及生成和传播的规律，分析恶意代码之间衍生的关联性。同源关系有很多种，包括：家族同源、开发者同源、类型同源或者攻击源同源等。本文主要关注恶意代码类型同源分析问题。基于恶意代码类型同源分析，可以帮助检测、预警恶意代码，制定应急响应方案以及预测事件发展趋势。

本文首先介绍了相关基础知识，简单回顾了同源分析分析技术现状，然后介绍了基于图像分类的同源分析技术方案设计，最后通过具体实验验证了基于图像分类的同源分析技术的有效性。

02 基础知识

2.1 类型同源

恶意代码类型多种多样，包括计算机病毒、蠕虫、木马程序、后门程序、逻辑炸弹等。每一类恶意代码往往会在以下三个方面存在相似性。

（1）关键代码段

指为了实现某一恶意功能，同源恶意代码在关键代码片段（如DLL注入、RPC服务）具有相似性，这些相似代码片段也被称为基因码。

（2）系统函数调用

恶意行为的操作通常依赖对操作系统函数的调用，同源恶意代码调用的函数名称、频次、顺序等可能存在类似。

（3）功能行为

每一类恶意代码都有针对性的破坏行为，如勒索软件会读写用户数据、远程控制木马会查看屏幕或摄像头，功能行为的相似性反映在文件、进程、网络及注册表等方面。

2.2 图像化

图像化即恶意代码字节流内容的可视化展示，而流内容包含了一个组装恶意代码完整的信息，例如PE格式恶意代码的头部、数据节、代码节、尾部等。

黑客经常使用开源的恶意代码片段，经过进一步开发、包装之后，形成恶意代码变种；相同功能或者同一家族的恶意代码，也会共享代码片段。因此，共享片段表现为相似的的流内容，进而映射为图像中相似的纹理。

图1，2展示某些流氓软件（Application）两个家族InstallMonster和Hacktool图像化结果。可以看到InstallMonster和Hacktool类的示例样本即便来自不同的家族，纹理上却具有明显相似性。

图1. Application-InstallMonster

图2. Application-Hacktool

3 现状分析

与恶意代码检测技术相同，同源分析所采用的特征也分为静态特征和动态特征。静态特征包括：恶意代码的组装结构特征、API序列特征、代码语义、二进制内容特征等[1]。动态特征通常为控制流程图、读取及修改的相关资源对象特征、API动态调用。获取特征之后，可以采用关联分析、机器学习分类以及图分析等方法完成溯源。

关联分析即计算恶意代码特征的相似度，例如Jaccard系数[14,15]、海明距离、余弦距离等，根据相似度判断恶意代码之间是否存在关联。基于相似度分析，以恶意代码为节点、相似度为边，可以构建恶意代码关系网络，主要用于族群可视化，进一步溯源、挖掘大量离散恶意代码之间的关联[18]。SVM、XGBoost[14]、DBScan[10,15]、模糊哈希[14]等常见的分类算法，都在恶意代码同源分析中有相应的研究与应用。

图分析作用于恶意代码的控制流程图，提取出入度（Out/In degree）、中间中心性（Betweenness centrality）、聚集系数（Clustering coefficient）等图结构度量[16]，通过计算这些度量的相似性，判断恶意代码是否存在关联。利用图分析还可以在族群中挖掘相似子图形成族群基因，通过基因对比判断恶意代码是否同源[12]。赵等人运用了图卷积网络（Graph Convolutional Network，GCN）技术，对恶意代码的API调用图进行分类，从而分析同源性[17]。

2011年，Nataraj等人提出将恶意代码的流内容转换成灰度图像，然后提取GIST、局部空间平均值等特征，结合KNN算法对恶意代码进行分类[3]。随后，出现了一些研究延续该思路，比如将字节熵[4]、API调用[5]、opcode哈希[7]等转换为图像，卷积神经网络（Conventional Neural Network，CNN）[7]、长短期记忆（Long-short Term Memory，LSTM）网络[8,9]等深度学习方法相继被应用于恶意代码同源分析。

采用图像分类技术的同源分析方法，不要求分析人员具备逆向工程专业知识，而且无需人工提取特征，因此应用起来比较灵活。得益于计算机视觉领域的快速发展，这种方法也能够取得较高的准确性。以下重点介绍该类技术。

4 方案设计

基于图像分类的同源分析方案中，典型的实现技术就是基于CNN的恶意代码同源分析技术方案，主要包括以下部分构成：

（1）数据集构建：确定恶意代码的类别划分方式，收集样本并标注类别，作为训练数据。本文以类型作为类别划分方式。

（2）图像化处理：将训练样本转化为图像，作为CNN网络的输入。

（3）CNN网络构建：构建出CNN神经网络结构（如VGGNet、GoogleNet、ResNet等）。

（4）模型训练：将训练数据输入CNN网络进行训练，得到分类模型。

（5）模型应用：将待测样本图像化，输入分类模型，根据输出类别判定所属类别。应用流程如图3所示：

图3. 基于CNN图像分类的恶意代码同源分析流程

5 实验分析

本实验中收集了7种类型的恶意代码样本，具体见表1。

表1. 实验数据集

数据集按照比例4：1划分为训练集和测试集。基于构建CNN网络结构，经过200次迭代训练，模型损失收敛至0.0088，训练准确率达到0.9957。图4展示模型的训练过程。

图4. 训练过程

表2列出了模型在测试集上的各项测试指标，总体准确率为0.93。

图5为测试的混淆矩阵。在实验的7个类别中，Trojan作为较复杂的一种恶意代码类型，测试准确性最低。

表2. 测试性能

图5. 混淆矩阵

6 总结

恶意代码同源分析，一方面可追踪定位攻击来源或攻击者，遏制APT攻击，对黑客产生震慑打击作用；另一方面，恶意软件检测技术存在疏漏，同源分析可协助检测、防范恶意软件。本文通过分析及验证，认为基于图像分类的恶意代码同源分析具备可行性。但恶意代码的类型之间错综复杂，没有明确的划分界限，也是限制分类准确性的原因之一。家族显然是比类型更加精确的一种同源划分方式。然而，有些家族样本数量庞大，有些家族仅有少量可追溯的样本，若以家族划分类别，则需要解决样本不平衡问题。通过初步判断，如果增加类别划分的细粒度，分类准确率会得到进一步提升，当然这些问题有待进一步探索。

参考文献

[1]褚乾峰, 朱信宇, 刘功申. 恶意代码同源判定技术综述[J]. 通信技术, 2017, 50(007):1484-1492.

[2]Goldberg L, Goldberg P, Phillips C, et al. Constructing Computer Virus Phylogenies[J]. Journal of

Algorithms,1998,26(01):188-208.

[3]Nataraj L, Karthikeyan S, Jacob G, et al. Malware images: visualization and automatic classification[C]. IEEE Symposium on Visualization for Cyber Security, Pittsburg, PA, USA, ACM. 2011.

[4]Han K S , Lim J H , Kang B , et al. Malware analysis using visualized images and entropy graphs[J]. International Journal of Information Security, 2015, 14(1):1-14.

[5]Kolosnjaji B , Zarras A , Webster G , et al. Deep Learning for Classification of Malware System Call Sequences[C]// Australasian Joint Conference on Artificial Intelligence. Springer International Publishing, 2016.

[6]Ni S , Qian Q , Zhang R . Malware identification using visualization images and deep learning[J]. Computers & Security, 2018, 77(AUG.):871-885.

[7]Raff E , Barker J , Sylvester J , et al. Malware Detection by Eating a Whole EXE. 2017.

[8]Quan, Boydell, Oisin, et al. Deep learning at the shallow end: Malware classification for non-domain experts[J]. Digital investigation: The internatnional journal of digital forensics & incident response, 2018.

[9]Venkatraman S , Alazab M , Vinayakumar R . A hybrid deep learning image-based analysis for effective malware detection[J]. Information Security Technical Report, 2019, 47(Aug.):377-389.

[10]钱雨村，彭国军，王滢等.恶意代码同源性分析及家族聚类. 计算机工程与应用，2015，56（18）：76-81.

[11]Park L, Yu J, Kang H K, et al. Birds of a Feature: Intrafamily clustering for version identification of packed malware[J]. IEEE systems journal, 2020,14(3):4545-4556.

[12] Zhao B L, Shan Z, Liu F D, et al. Malware homology identification based on a gene perspective[J]. 信息与电子工程前沿:英文版, 2019(6):801-815.

[13]Li Y, Sundaramurthy S C, Bards A G, et al. Experimental study of fuzzy hashing in malware clustering analysis[C]. Usenix, Washington DC, USA, 2015: 1-8.

[14]Ahmadi M , Giacinto G , Ulyanov D , et al. Novel feature extraction, selection and fusion for effective malware family classification[DB]. 2015.

[15]Kinable J,Kostakis O.Malware Classification based on Call Graph Clustering[J].Journal of Computer Virology and Hacking Techniques,2011,7(04):233-245.

[16]Jang J W , Woo J , Mohaisen A , et al. Mal-Netminer: Malware Classification Approach Based on Social Network Analysis of System Call Graph[J]. Mathematical Problems in Engineering,2015,(2015-10-1), 2015, 2015(PT.18):731-734.

[17]赵炳麟, 孟曦, 韩金,等. 基于图结构的恶意代码同源性分析[J]. 通信学报, 2017, v.38;No.365(S2):86-93.

[18]Sanders H, Saxe J. Malware data science: Attack detection and attribution[M]. No Starch Press, 2018.

[19]Ronen R , Radu M , Feuerstein C , et al. Microsoft Malware Classification Challenge[DB]. 2018. https://arxiv.org/pdf/1802.10135.pdf.

版权声明

转载请务必注明出处。

版权所有，违者必究。