杨琦，贾鹏，刘嘉勇

（四川大学网络空间安全学院，成都610225）

0 引言

国际知名安全实验室McAfee Lab对2020年上半年总题恶意软件攻击情况的研究表明，今年上半年观测到的恶意软件的威胁数量持续上升，每分钟的威胁数量达到了419个，表明恶意软件仍是影响网络安全的重要因素之一。由于恶意软件数量多、范围广，众多安全研究者引入了在分类领域表现出色的各种机器学习算法来应对恶意软件的威胁，众多研究结果表明机器学习算法不仅在数据分类[1]、模式识别、自然语言处理[2]等方面有着出色表现，在垃圾邮件检测和恶意文档检测[3]等方面也有着较高的准确率和效率，因此机器学习算法在恶意软件检测领域有着广泛的应用。

基于机器学习的恶意文档检测技术被大量应用，有许多研究表明其基于特征的检测方式很容易被攻击者精心构造的特征所欺骗，从而达到使分类器错误分类的效果。大量研究者运用不同的方法，不断学习检测器的检测规则，不断降低检测器的准确性，从而生成可以逃逸检测器检测的对抗样本。

深度神经网络的脆弱性问题[4]首次被Szegedy等人提出，他们的L-BFGS方法将人眼无法察觉到的扰动添加进图像中，使DNN图片分类器错误分类，将大熊猫图片识别成了长臂猿，在业界引起了对对抗样本的广泛关注。紧接着Goodfellow等人提出了一种有效的非针对性攻击，他们提出的FGSM方法寻找特征空间中逼近于良性样本的对抗样本，它沿着梯度更新方向一步步攻击，是一种典型的one-step攻击。……